研究人员发现了一个导致大型语言模型 (LLM) 推荐器曝光崩溃的关键因素：协同过滤 (CF) 分数中的物品均值部分。该部分代表物品在所有用户中的平均得分，即使底层 CF 模型提供多样化推荐，也可能导致 LLM 集中于有限的物品集。为解决此问题，该研究提出了两种奖励修正方法：按物品中心化和按物品标准化。实验表明，这些修正显著提高了目录覆盖率和曝光均匀性，将排名第一的独立物品数量增加了高达 9.8 倍，同时保持了排名准确性。 AI
影响 提高了基于 LLM 的系统所生成推荐的多样性和覆盖范围。
排序理由 学术论文，详细介绍了一种改进 LLM 推荐系统的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
