王奕超-大语言模型在推荐系统中的探索与应用.pdf

1、DataFunSummitDataFunSummit#20242024背景和问题当前推荐系统存在的不足之处，大语言模型为何可以弥补当前的不足LLM4Rec 探索及应用介绍 LLM 在实际工业推荐场景的探索和应用情况分析挑战和展望从工业应用视角出发，总结大语言模型用于推荐系统的挑战和未来趋势目录 CONTENTDataFunSummitDataFunSummit#2024202401背景和问题Historical user-item interactions or additional side information(e.g.,social relations,items knowledge,

2、etc.)INPUTINPUTItem setUser setSocial relations,age,gender,occupation,etc.Year,genre,actor,reviews,etc.u us se er rs s i i t te em m s s (m m o ov vi i e es s)U U s se er r-i i t te em m I I n nt te er ra ac ct ti i o on n H H i i s st to or ry y5 55 55 55 53 35 51 14 4S Sp pi i d de er r M M a an n

3、I I r ro on n M M a an nT To oy y S St to or ry yM M i i n ni i o on ns sC Ca ap pt ta ai i n nA Am m e er ri i c ca aL Li i l l y yL La al l a aP Pe et te er rD D a av vi i d dPredict how likely a user would interact with a target item(e.g.,click,view,or purchase)OUTPUTOUTPUT推荐系统contextScenario,Dat

4、e,Time,Location,etc.传统的推荐系统是相对封闭的系统 大语言模型具备世界知识和逻辑推理能力 利用大语言模型的开放知识辅助推荐核心研究问题 何处运用大语言模型（WHERE to adapt）如何运用大语言模型（HOW to adapt）大语言模型Lin,Jianghao,et al.How Can Recommender Systems Benefit from Large Language Models:A Survey.arXiv preprint arXiv:2306.05817(2023).AIGC大模型时代对推荐的影响相关新闻报道时间因素（如假期等）重要事件（如神舟十

5、五）获奖情况和影评逻辑推理用户可能的心情和状态用户可能的个性和品位可能感兴趣的电影类别用户在不同消费场景下的共同偏好世界知识大语言模型的开放知识DataFunSummitDataFunSummit#2024202402LLM4Rec 探索及应用KAR：利用大语言模型开放知识辅助推荐系统大语言模型是世界知识的压缩器：基础的逻辑推理能力开放世界的知识大语言模型直接做推荐任务的局限性：缺乏推荐领域知识，协同信号损失严重 面对复杂多步的推理问题性能较差 推理时延过长，无法支撑工业推荐系统实时响应需求n传统的推荐系统为封闭的系统，仅使用推荐场景内部的数据进行训练仅具备推荐领域内的知识，利用协同信号和统计

6、信息进行推荐对于用户偏好的学习局限、不全面对于推荐上下文的理解不到位难以解决冷启动和数据稀疏的问题n引入世界知识以及逻辑推理能力的开放推荐系统外部通用知识：用户、物品相关的背景知识逻辑推理能力：深层理解用户行为动机、关联、社会因素等传统推荐系统与开放推荐系统外部知识相关新闻报道时间因素（如假期等）重要事件（如神舟十五）获奖情况和影评逻辑推理用户可能的心情和状态用户可能的个性和品位可能感兴趣的电影类别可能感兴趣的导演Xi,Yunjia,et al.Towards Open-World Recommendation with Knowledge Augmentation from Large La