Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations

最近大型语言模型（LLMs）的进展显示出在增强推荐系统方面具有显著潜力。然而，解决冷启动推荐问题，即用户缺乏历史数据的情况，仍然是一个重大挑战。在本文中，我们介绍了 KALM4Rec（基于关键词检索的增强大型语言模型用于冷启动用户推荐），这是一个新颖的框架，专门设计用于通过在冷启动用户餐厅推荐的实际场景中仅需要少量用户输入关键词来解决这个问题。KALM4Rec 分为两个主要阶段：候选人检索和基于 LLM 的候选人重新排序。在第一阶段中，使用基于关键词检索模型来识别潜在的候选人，解决了 LLM 处理大量标记的限制并减少了生成误导信息的风险。在第二阶段中，我们采用了多种提示策略的 LLM，包括零-shot和few-shot技术，通过将多个示例直接集成到 LLM 提示中来重新排序这些候选人。我们的评估使用了一个 Yelp 餐厅数据集，其中包含来自三个英语城市的用户评论，结果显示我们提出的框架显著提高了推荐质量。具体而言，在上下文指令与 LLM 相结合的情况下，重新排序大大提高了冷启动用户推荐系统的性能。

解决问题的论文是针对冷启动推荐问题，如何通过少量的用户输入关键字来提高推荐系统的准确性？

该论文提出了一种新的框架KALM4Rec，通过关键字驱动的检索模型和大型语言模型相结合，解决冷启动推荐问题。KALM4Rec分为两个阶段：候选人检索和基于LLM的候选人重新排序。其中，候选人检索阶段使用关键字驱动的检索模型来识别潜在候选人，而在第二阶段，使用LLMs和零样本和少样本技术将多个示例直接集成到LLM提示中，重新对这些候选人进行排序。

该论文使用Yelp餐厅数据集进行评估，并展示了KALM4Rec框架显著提高了推荐质量。特别是将上下文指令与LLMs集成，重新排序冷启动用户推荐系统的性能显著提高。

最近的相关研究包括使用LLMs对推荐系统进行增强的其他论文，如《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》和《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》。