利用大型语言模型推理图增强推荐系统
摘要：使用大型语言模型（LLM）构建个性化推理图的新方法研究和实现了推荐系统。这些图通过因果推理和逻辑推理把用户的行为序列和档案联系起来，以可解释的方式表达用户的兴趣。LLM推理图（LLMRG）方法包括链式图推理、分歧扩展、自我验证和评分以及知识库的自我改进等四个部分。通过图神经网络编码生成的推理图作为额外输入来改进传统的推荐系统，而无需额外的用户或物品信息。LLMRG展示了LLM如何通过个性化推理图实现更加逻辑和可解释的推荐系统。LLMRG能够在工程化的推荐系统和LLM导出的推理图之间获得双重优势，并在基准测试和实际场景中证明了其改进基础推荐模型的有效性。
作者：Yan Wang, Zhixuan Chu, Xin Ouyang, Simeng Wang, Hongyan Hao, Yue Shen, Jinjie Gu, Siqiao Xue, James Y Zhang, Qing Cui, Longfei Li, Jun Zhou, Sheng Li
论文ID：2308.10835
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-22