大型语言模型的知识适应性在实际工业应用中的推荐
Jian Jia, Yipei Wang, Yan Li, Honggang Chen, Xuehan Bai, Zhaocheng Liu, Jian Liang, Quan Chen, Han Li, Peng Jiang, Kun Gai·
本文提出了一种基于大型语言模型（LLM）驱动的知识适应推荐（LEARN）框架，该框架通过引入来自大型语言模型（LLMs）中的开放世界知识，增强了传统推荐系统。它解决了ID嵌入的局限性，并通过将LLMs作为项目编码器，冻结它们的参数以保留知识，并采用双塔结构，在冷启动和长尾场景下提高性能。在工业数据集上的离线和在线实验展示了所提方法的有效性，在基于内容的检索和短视频信息流广告等任务上显示出优于现有方法的结果，带来了更好的性能和商业利益。
本文旨在解决在将预训练大型语言模型（LLMs）用于特定任务（如推荐系统）时与领域差距和训练目标失配相关的挑战。它引入了基于LLM的知识适应推荐（LEARN）方法，以协同LLMs的开放世界知识与推荐系统的协作知识。为了确定这是否是一个新问题，需要更多的背景或细节以提供具体答案。
本文通过在线A/B测试实施全面的实验分析，以验证一个科学假设。
本文提出了一种基于LLM的知识适应推荐（LEARN）框架，以有效地将大型语言模型（LLMs）中的开放世界知识聚合到推荐系统（RS）中。此外，它引入了CEG和PCH模块，以解决开放世界知识的灾难性遗忘问题，并缩小开放世界和协作知识之间的领域差距。反事实和半事实解释在抽象论证中的形式基础、复杂性和计算。
本文深入探讨了反事实和半事实推理在抽象论证框架（AF）中的应用，重点关注其计算复杂性和在论证系统中的集成。研究定义了这些概念，并强调通过在弱约束AF中对其编码并利用ASP求解器来增强可解释性的重要性。通过考察在不同语义下的存在、验证和接受等多种问题的复杂性，研究发现这些任务通常比传统任务更具挑战性。该工作的贡献在于提出算法并探索可以增强基于论证的系统的决策和说服力的应用。为了更深入的分析，建议参考文中概述的具体细节和方法。
所提出的LEARN框架在提高收入及推荐系统的Hit rate (H)和NDCG指标方面，相比以往的方法提供了显著的性能提升。如研究所示，LEARN在各种指标（如H@50、H@200、N@50和N@200）上取得了显著的改进，展示了其在推荐任务中的有效性。此外，LEARN通过解决开放世界与协作知识之间的领域差距，提供了一种更强大和适应的现实工业应用方法。
已有研究涉及将大型语言模型（LLMs）中的知识适应于推荐系统以实现实际工业应用。这些研究重点在于利用LLMs中封装的开放世界知识来增强推荐系统，解决灾难性遗忘和协作知识与开放世界知识之间的领域差距等问题。该领域的一些值得注意的研究人员包括Yabin Zhang、Wenhui Yu、Erhan Zhang、Xu Chen、Lantao Hu、Peng Jiang和Kun Gai。此外，Qi Zhang、Jingjie Li、Qinglin Jia、Chuyuan Wang、Jieming Zhu、Zhaowei Wang和Xiuqiang He也在这一领域做出了重要贡献。本文提出的关键解决方案涉及将大型语言模型（LLMs）的开放世界知识与推荐系统的协作知识相结合，以提升推荐性能。该方法旨在弥合通用开放世界领域与推荐特定领域之间的差距，利用LLM的知识为推荐系统提供有价值的增量信息。
论文中的实验通过与以前的旨在工业使用的最先进方法进行比较进行设计，采用2014年的亚马逊书评数据集进行评估，以尽可能接近真实的工业场景。此外，通过在线A/B测试实施了更全面的实验分析，以验证假设并评估与基线方法相比CVR和收入的性能提升。
研究中用于定量评估的数据集是从真实工业场景收集的大规模离线数据集。代码是开源的，聊天机器人Vicuna惊艳于 GPT-4，达到90%的聊天 GPT质量，可在https://vicuna.lmsys.org获取。
论文中呈现的实验和结果为需要验证的科学假设提供了有力支持。通过在线A/B测试和真实推荐系统的部署，研究展示了显著的改进，并在大规模数据集上实现了最先进的性能，超越了以往的方法。与其他方法的比较及性能指标清楚地表明了所提方法的有效性和优越性，验证了科学假设。
本文引入了LEARN方法，该方法将LLMs的开放世界知识与推荐系统的协作知识相结合，解决了推荐系统中领域差距和训练目标失配的挑战。它还提出使用LLM生成的嵌入进行基于内容的推荐，展示了这些嵌入在提高推荐性能方面的有效性。
可以继续深入探索在推荐系统中集成大型语言模型（LLMs）以提升性能的研究，特别是在冷启动场景和长尾用户推荐方面。利用在庞大文本语料上预训练的LLMs的能力提供了通过整合开放世界领域知识来改善推荐系统的有希望的途径。
以上摘要由Powerdrill自动生成。
点击链接查看摘要页面和其他推荐论文。