本文是LLM系列文章，针对《Large Language Models meet Collaborative Filtering: An Efficient
All
大型语言模型与协同过滤：一个高效的基于LLM的全方位推荐系统
摘要
协同过滤推荐系统（CF RecSys）在增强社交媒体和电子商务平台上的用户体验方面取得了连续的成果。然而，由于CF RecSys在用户-项目交互稀疏的冷场景下苦苦挣扎，最近的策略侧重于基于预训练的模态编码器和大型语言模型（LLM）利用用户/项目的模态信息（例如文本或图像）。尽管它们在冷启动场景下有效，但我们观察到，由于缺乏协作知识，它们在温暖场景下的表现不如简单的传统协作过滤模型。在这项工作中，我们提出了一种高效的基于LLM的全方位推荐系统，称为A-LLMRec，它不仅在寒冷的情况下表现出色，而且在温暖的情况下也表现出色。我们的主要想法是使LLM能够直接利用预训练好的最先进CF RecSys中包含的协作知识，从而可以共同利用LLM的涌现能力以及已经由最先进CF RecSys训练过的高质量用户/项目嵌入。这种方法有两个优点：（1）模型无关，允许与各种现有的CF RecSys集成；（2）效率高，消除了基于LLM的推荐器通常需要的大量微调。我们在各种真实世界数据集上进行的广泛实验证明了A-LLMRec在各种场景中的优越性，包括冷/温、小样本、冷用户和跨域场景。除了推荐任务，我们还展示了A-LLMRec在通过执行最喜欢的体裁预测任务，基于对协作知识的理解生成自然语言输出方面的潜力。我们的代码在https://github.com/ghdtjr/A-LLMRec上可用。