研究人员开发了一种方法，通过利用大型语言模型 (LLM) 来提高评论推荐系统中的冷启动性能。该方法使用 LLM 从评论文本中提取语义信号，将其转换为贝叶斯先验，从而“预热”Thompson 采样算法。该技术在交互数据稀疏的情况下尤其有益，在积累少量反馈后显示出最大的收益。研究还发现，不同的先验设计，例如性别先验和内容先验，会对用户参与度产生不同的影响，并且在不同人口统计细分群体中的有效性各不相同。 AI
影响 通过 LLM 衍生的先验，提高冷启动性能和个性化，从而增强推荐系统。
排序理由 该集群包含一篇研究论文，详细介绍了使用 LLM 和贝叶斯先验改进推荐系统的新颖方法。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.03382v1 Announce Type: cross Abstract: Multi-armed bandit algorithms, especially Thompson sampling, are widely used in online recommendation. Despite their ability to adapt from online feedback, these methods often suffer from cold-start limitations when newly introduc…
Multi-armed bandit algorithms, especially Thompson sampling, are widely used in online recommendation. Despite their ability to adapt from online feedback, these methods often suffer from cold-start limitations when newly introduced arms have little or no interaction history. In …