当前位置:首页 > 报告详情

任旭滨-LLMs Enhanced Rec 6.22.pdf

上传人: 张** 编号:168888 2024-07-06 25页 4.17MB

1、Enhancing Graph-based Recommendation with Large Language ModelsXubin RenThe University of Hong Kong2LLMs+Graph in Recommendation1 Ren,Xubin,et al.A Survey of Large Language Models for Graphs.KDD 2024(a)GNNs as Prefix(c)LLMs-Graphs Interaction(b)LLMs as Prefix(d)LLMs-Only3LLMs+Graph in Recommendation

2、1 Ren,Xubin,et al.A Survey of Large Language Models for Graphs.KDD 20244Representation Learning withLarge Language Models for Recommendation1 Ren,Xubin,et al.Representation Learning with Large Language Models for Recommendation.WWW 20245Background用户-商品交互图推荐算法用户/商品协同过滤特征表示噪音有噪的表征学习用户/商品协同过滤特征表示用户/商品文

3、本模态特征表示促进融合表征中对推荐有益的部分1 Ren,Xubin,et al.Representation Learning with Large Language Models for Recommendation.WWW 20246理论方法最大化(;)critic function1.如何有效地获得高质量的文本模态的特征表示2.如何有效地建模critic function1 Ren,Xubin,et al.Representation Learning with Large Language Models for Recommendation.WWW 20242 Poole,Ben,et

4、 al.On variational bounds of mutual information.ICML 20193 Oord,Aaron van den,et al.Representation learning with contrastive predictive coding.arXiv preprint7 基于大模型的文本特征获取首先要有高质量的文本内容商品画像:描述其会吸引哪一类的用户群体用户画像:描述其会喜欢什么类别的商品Item-to-User 生成范式商品画像生成,Prompts 构建基于 商品描述 生成基于 商品属性&用户反馈 生成用户画像生成,Prompts 构建基于 商

5、品画像&用户反馈 生成核心是要描述出用户/商品的True preference1 Ren,Xubin,et al.Representation Learning with Large Language Models for Recommendation.WWW 20248 基于大模型的文本特征获取其次要有高质量的特征表示文本描述Embedder用户/商品文本模态特征表示ContrieverInstructorText-embedding-ada-0021 Ren,Xubin,et al.Representation Learning with Large Language Models for

6、 Recommendation.”WWW 20242 Izacard,Gautier,et al.Unsupervised dense information retrieval with contrastive learning.TMLR 20223 Su,Hongjin,et al.One embedder,any task:Instruction-finetuned text embeddings.ACL 20239建模critic function对比式对齐(Contrastive Alignment,RLMRec-Con)生成式对齐(Generative Alignment,RLMR

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
本文主要探讨了大型语言模型(LLM)在推荐系统中的应用,特别是在图神经网络(GNN)的上下文中。作者提出了两种方法来增强图基推荐:一是将GNN作为前缀,二是LLM与图的交互。研究强调了在推荐系统中融合用户和商品的文本描述的重要性,并提出了使用LLM来获取高质量文本特征表示的方法。文章还介绍了两种对齐策略——对比式对齐和生成式对齐,以有效地建模批评函数,并提高推荐性能。实验表明,改进的文本表征质量对推荐性能有显著影响,且对比式对齐能抵抗噪声,而生成式对齐能增强预训练的好处。此外,文章还介绍了一种可解释推荐模型XRec,该模型结合了LLM和GNN,能够为推荐提供解释,并在多个数据集上进行了验证。总体而言,研究强调了LLM在推荐系统中的潜力,无论是在性能提升还是可解释性方面。
如何利用大语言模型提升推荐系统的性能? 大语言模型在可解释推荐系统中扮演什么角色? 如何在推荐系统中有效结合图神经网络和语言模型?
客服
商务合作
小程序
服务号
折叠