Uncovering ChatGPT’s Capabilities in Recommender Systems论文阅读笔记

Abstract

​ 在本研究中，我们的目标是通过将ChatGPT的推荐能力与传统的信息检索（IR）排名能力对齐，包括点排序、成对排序和列表排序。为了实现这一目标，我们将上述三种建议策略重新制定为专门针对现有领域而定制的快速格式。

Introduction

​ 以往的研究通常使用三种方法来构建这些排序列表：点级、成对级和列表级。因此在本文中，我们的重点是通过将LLM与这三个排名视角对齐来探索它们的推荐能力。

​ 为了从这三个排名的角度研究LLM在推荐任务中的潜力，我们首先将这三种功能重新定义为针对特定领域定制的提示，并作为LLM的输入。然后，我们对来自不同知识丰富领域的ChatGPT和其他流行的来自OpenAI的四个广泛使用的推荐基准进行了实证分析。

​ 综上所述，经过经验实验，我们有以下主要发现：

• 与其他LLM相比，ChatGPT在所有三种排名能力上都显示出了一致的优势。
• ChatGPT擅长于列表级排名和两两级排名，而在点级排名方面不太好。
• ChatGPT在有限的训练数据下可以优于传统的推荐模型
• 考虑到成本方面的改进，我们建议在实践中对基于LLM的推荐系统进行列表排序。

探索GPT的推荐功能

​ 可供推荐的LLM的总体评估框架如下：

​

​ 在本节中，我们利用提示来调整点、两两和列表排序任务，使现成的LLM能够有效地处理这些任务。

推荐系统中的三个排名能力

​ 个性化推荐的核心目标是根据用户的偏好对候选项目进行排序。为了实现这一点，目前的学习排名（LTR）方法通过相应的损失函数赋予系统不同的推荐能力，包括点排名能力、成对排名能力和列表排序能力

• 点排序能力：学习预测每个用户
  标签：prime,mathbf,Uncovering,Capabilities,LLM,排名,Recommender,ChatGPT,排序
  From： https://www.cnblogs.com/anewpro-techshare/p/18227669