来源：arXiv
作者：Yunfan Gao, Tao Sheng等
单位：复旦大学，同济大学等
发表时间：2023 年 4 月
一、背景信息
- 增强语言模型（ALMs）：通过为传统语言模型配备推理技能和使用外部工具的能力来克服其局限性。
2. 自然语言处理（NLP）在推荐系统中的应用：预训练语言模型（PLMs）通过在大规模语料库上学习通用表示，提高了推荐系统的性能和可解释性。
3. 冷启动推荐问题：用户或项目与系统之前没有互动记录，系统没有可用数据来进行个性化推荐
文章提出了一种新型的推荐系统框架，通过结合大型语言模型（LLMs）来增强推荐系统的交互性和可解释性，即新型推荐系统框架Chat-Rec
二、Chat-Rec框架介绍
上图是一个基于 ChatGPT 的增强型推荐系统模块工作流程:
- 左侧显示的是用户与 ChatGPT 之间的对话。
- 中间是 Chat-Rec 如何将传统推荐系统与 ChatGPT 等对话式人工智能联系起来的流程图。
- 右侧描述了流程中的具体判断。
- 提示构建器模块主要包含：用户-项目历史互动信息、用户个人资料、用户查询（Qi）、对话历史（H<i）
Chat-Rec将传统推荐系统与ChatGPT链接：
- 如果是推荐任务，系统会利用LLMs和推荐算法生成推荐候选集，并通过提示构造模块进一步细化。
- 如果不需要推荐，系统会直接提供其他类型的回答，如解释或请求更多细节。
三、Chat-Rec方法及作用
Chat-Rec框架利用LLMs的能力，通过构建提示（prompts）来进行上下文学习（In-context Learning），使模型能够在没有明确训练的情况下，根据上下文信息来理解和完成任务。
以下是该框架所实现的四个增强推荐系统优化效果：
- 用户资料和历史互动的转换：
Chat-Rec将用户资料和历史互动转化为提示，使LLMs能够学习用户的偏好，并建立用户与产品之间的联系。
2. 候选集压缩：
通过LLMs对推荐系统生成的庞大候选集进行筛选和排序，以提供更相关的产品推荐。
3. 冷启动推荐：
利用LLMs对新产品进行推荐，通过文本描述和资料信息建立产品之间的联系，解决冷启动问题。
4. 跨域推荐：
LLMs预训练的知识使其能够作为多视角知识库，实现跨域推荐。
四、Chat-Rec评估
对于Chat-Rec评估，使用了MovieLens 100K数据集，它包含943名用户对1,682部电影的100,000条评分，以及用户的年龄、性别、职业和邮编等人口统计信息，还有电影的信息，如标题、发布年份和类型。
- 评估 top-k推荐和评分预测
2. 消融研究
上图可以看出，选择了表现最佳的text-davinci-003模型，研究了不同提示和温度参数对模型性能的影响。结果显示，提示的顺序和是否包含推荐系统的top 1推荐对Chat-Rec的性能有显著影响。
五、总结与思考
- 内容：
这篇论文介绍了一个名为Chat-Rec的新型推荐系统，它通过结合LLMs和传统推荐系统，旨在提高推荐系统的交互性和可解释性。
主要贡献：
提出了一种结合传统推荐系统和LLMs的新范式Chat-Rec，通过提示利用LLMs的上下文学习能力。
Chat-Rec使用LLMs作为推荐系统界面，实现多轮推荐，增强交互性和可解释性。
在真实世界的数据集上评估了Chat-Rec的方法，并在top-k推荐和评分预测任务上展示了其有效性。
- 思考：
可以改进的地方：
目前的系统主要处理文本信息，没有将图像、音频等多模态信息融合到推荐过程中，这可能会提供更全面的用户画像和产品特征；
实验仅在MovieLens 100K数据集上进行，其他类型的数据集并没有涉及，不能验证Chat-Rec的泛用性和效果；
可以收获的地方：
理解如何将LLMs与传统推荐系统结合，通过上下文学习提高推荐系统的交互性和可解释性。；
优化候选集的生成和排序是提高推荐系统性能的关键，Chat-Rec系统就是通过LLMs的能力来优化这一过程；