两篇新研究论文探讨了在流媒体推荐系统中使用大型语言模型(LLM)进行用户画像的有效性。研究将LLM生成的画像与传统的聚合方法进行了比较,发现LLM对于行为偏离其历史记录的探索型用户更有效。然而,LLM生成的画像可能导致流行度吸引效应,降低目录覆盖率和新颖性。研究表明,上下文感知系统可以根据用户的消费模式动态选择画像策略。 AI
影响 基于LLM的用户画像可以提高某些用户群体的推荐质量,但需要仔细实施以避免负面影响。
排序理由 两篇arXiv论文介绍了关于LLM在推荐系统应用的研究成果。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- aggregate profile
- arXiv
- context-aware system
- item embeddings
- large-language models
- LLM-generated profiles
- popularity-attractor effect
- semantic user profiles
- semantic user-profiling
- streaming recommendation
- text encoder
- User Profiling
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →