1.总览图,目前现有的工作方向有以下四类:
1.1 In-context-Recommendation
【1、4】直接把推荐的事例,组织成In-context-example的形式,让LLM对于现有的用户直接做推荐
【2、5、6】对于现有的item做排序(应该是希望类似精排的作用、具体看完文章后补充)
【3、7】更细致的用户画像,然后导入传统模型、做知识增强
1.2 Tunining
【左边】判别式:直接tuning,多做一些喜好的预测
【右边】生成式:将用户历史记录做一个序列化,然后直接生成下一个推荐
1.3 Chatting
1.4 Agent
【1】模拟用户行为
【2】直接用于推荐
2、大模型其他特点与实验说明
总结:
1.冷启动能力非常优秀,吊打现有的传统的会话推荐中的模型
2.对于协同的信息能力非常弱
用传统的MF得到协同信息,然后二步tuning,第一步Lora只应用Text文本信息,第二步再加入协同信息,进行训练