研究人员正在开发新的方法来利用大型语言模型(LLM)进行序列推荐系统。一种方法ED$^2$将索引生成和推荐整合到统一的管道中,改进了语义和协同信息的整合。另一个框架TATK结合了Top-K学习和基于知识的验证,以提高基于LLM的推荐的准确性,特别是在全目录排名方面。第三种方法P$^3$Rec从LLM中提取用户先验和后验偏好,以创建更全面、更高效的推荐模型。 AI
影响 这些新的基于LLM的推荐框架旨在通过更好地整合用户偏好和物品语义来提高准确性和效率。
排序理由 多篇arXiv论文介绍了基于LLM的推荐系统的新方法。
- Amazon Reviews 2023
- Base RecPO
- Gemma-2-2B-It
- Knowledge-Grounded Verification
- LLM-based sequential recommendation
- Qwen2.5-3B-Instruct
- R2ec
- Top-K Learning
- arXiv
- Jinfei Chen
- P3Rec
- ED$^2$
- Jun Yin
- Large Language Models
- LLMs
- P$^3$Rec
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →