ControlRec: Bridging the Semantic Gap between Language Model and Personalized Recommendation

成功将大型语言模型（LLMs）成功整合到推荐系统中，已经成为最近研究中的重大突破，为更通用和可转移的推荐铺平了道路。然而，LLMs难以有效地利用用户和物品ID，这些ID对于成功的推荐至关重要。这主要是因为它们在语义空间中的表示与通常用于训练LLMs的自然语言（NL）不同。为了解决这个问题，我们介绍了ControlRec，这是一个创新的对比提示学习框架，用于推荐系统。ControlRec将用户ID和NL视为异构特征并分别对它们进行编码。为了在语义空间中促进它们之间更大的对齐和集成，我们设计了两个辅助对比目标：（1）异构特征匹配（HFM），将物品描述与相应的ID或用户的下一个首选ID根据它们的交互序列对齐，以及（2）指令对比学习（ICL），通过对比由不同任务生成的输出序列的概率分布，有效地合并这两个关键数据源。在四个公共真实世界数据集上的实验结果表明，所提出的方法可以提高模型性能。

论文旨在解决大语言模型在推荐系统中无法有效利用用户和物品ID的问题，这是一个新问题。

ControlRec是一个创新的对比学习框架，将用户ID和自然语言视为异构特征并分别编码，通过两个辅助对比目标来促进它们在语义空间中的更好对齐和整合。

论文在四个公共真实世界数据集上进行了实验，证明了所提出方法在提高模型性能方面的有效性。值得关注的是，论文提出的对比学习框架可以应用于其他推荐系统中。

最近的相关研究包括：《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》、《Neural Collaborative Filtering》、《DeepFM: A Factorization-Machine based Neural Network for CTR Prediction》等。