Preference Distillation for Personalized Generative Recommendation

最近，研究人员调查了大型语言模型（LLMs）在生成式推荐系统中的能力。现有的基于LLM的推荐模型是通过将用户和物品ID添加到离散提示模板中进行训练的。然而，ID和自然语言之间的脱节使得LLM难以学习用户之间的关系。为了解决这个问题，我们提出了一种个性化提示蒸馏（PeaPOD）方法，将用户偏好作为个性化的软提示进行提炼。考虑到现实世界中用户偏好的复杂性，我们维护一个共享的可学习提示集，根据用户的兴趣动态加权，以组合的方式构建用户个性化提示。在三个真实数据集上的实验结果表明，我们的PeaPOD模型在顺序推荐、top-n推荐和解释生成任务上的有效性。

本文尝试解决基于大型语言模型的推荐系统中存在的用户ID和自然语言之间的脱节问题，提出了一种个性化软提示的PeaPOD方法。

PeaPOD方法通过动态加权共享的可学习提示来构建用户个性化提示，以解决用户偏好的复杂性。

本文在三个真实数据集上进行了实验，证明了PeaPOD模型在顺序推荐、Top-N推荐和解释生成任务中的有效性。

最近的相关研究包括《Generating Personalized Recommendations with Phrase-based Translation》和《Neural Collaborative Filtering》等。