两篇新研究论文探讨了改进基于大型语言模型 (LLM) 的推荐系统的方法。第一篇论文介绍了 MATE 框架，该框架使用自适应的长期和短期用户记忆来更好地区分持久偏好和近期兴趣，并在基准数据集上显示出显著的改进。第二篇论文提出了 LRPRec，它为 LLM 在推荐任务中学习个性化提示，通过将用户行为注入共享提示并约束语义漂移来解决鲁棒性和手动提示工程问题。 AI
影响 这些研究进展可以通过更好地利用用户历史和 LLM 功能，带来更具个性化和鲁棒性的推荐引擎。
排序理由 两篇在 arXiv 上发表的学术论文，详细介绍了 LLM 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 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2409.19979v4 Announce Type: replace-cross Abstract: Large language models (LLMs) have demonstrated prominent reasoning capabilities in recommendation tasks by transforming them into text-generation tasks. However, existing approaches either disregard or ineffectively model …
Large language model (LLM)-enhanced recommender systems leverage rich item semantics to support personalized recommendation. However, semantic representations alone do not determine which historical behaviors reflect persistent preferences and which mainly indicate recent interes…
LLM-driven sequential recommendation formulates next-item prediction as autoregressive generation conditioned on natural-language prompts. However, minor wording changes in semantically equivalent prompts can cause substantial performance fluctuations, undermining robustness and …