摘要1

随着电子商务和网络应用程序的繁荣推荐系统RecSys已成为我们日常生活中的一个重要组成部分提供符合用户偏好的个性化建议。

尽管深度神经网络DNN通过建模用户-项目交互并结合其文本辅助信息在增强推荐系统方面取得了重大进展但这些基于DNN的方法仍然存在一些局限性例如难以有效理解用户的兴趣和捕获文本辅助信息在推广到各种可见/不可见的推荐场景以及对其预测进行推理方面的能力不足等。

与此同时大型语言模型LLM的出现如ChatGPT和GPT4已经彻底改变了自然语言处理NLP和人工智能AI领域由于他们在语言理解和生成的基本职责方面的卓越能力以及令人印象深刻的泛化和推理能力。

因此最近的研究试图利用LLM的力量来增强推荐系统。

鉴于这一研究方向在推荐系统中的快速发展迫切需要对现有的LLM授权推荐系统进行系统概述以便为相关领域的研究人员和从业者提供深入的了解。

因此在本次调查中我们从预训练、微调和提示等多个方面对LLM授权推荐系统进行了全面的审查。

更具体地说我们首先介绍了利用LLM作为特征编码器的力量来学习用户和项目表示的代表性方法。

然后我们从三个范式即预训练、微调和提示回顾了LLM最近用于增强推荐系统的先进技术。

最后我们全面讨论了这一新兴领域的未来发展方向。

相关工作

LLM作为最先进的人工智能技术之一由于其卓越的语言理解和生成能力、强大的泛化和推理能力以及对新任务和不同领域的快速适应在分子发现和金融等各种应用中取得了巨大成功。

同样LLM的推荐系统也在不断变革以提供高质量和个性化的建议服务。

鉴于这一研究主题在推荐系统中的快速发展迫切需要对现有的LLM赋能推荐系统进行系统综述。

为了填补这一空白在本次调查中我们从预训练、微调和提示范式的角度对LLM赋能的RecSys进行了全面的概述以便为相关领域的研究人员和从业者提供深入的了解。

然而目前对RecSys

LLM的研究仍处于早期阶段需要对该领域的LLM进行更系统、更全面的研究。

因此我们还讨论了该领域未来的一些潜在方向。