Exploring Fine-tuning ChatGPT for News Recommendation

新闻推荐系统在当前数字化时代扮演着关键的角色，塑造着个人获取和使用信息的方式。自然语言处理（NLP）和推荐系统的融合，受到GPT和T5等大型语言模型的崛起的推动，模糊了这些领域之间的界限，使得人们倾向于将推荐系统视为一项语言任务。ChatGPT以其用户友好的界面和日益增长的受欢迎程度而闻名，已成为各种NLP任务的重要选择。尽管以前的研究已经探索了ChatGPT在推荐任务上的表现，但本研究通过调查其微调能力，特别是在新闻领域内的微调能力，打破了新的领域。在本研究中，我们设计了两个不同的提示：一个旨在将新闻推荐系统视为排名任务，另一个则专为评级任务量身定制。我们通过制定这两个任务来评估ChatGPT在新闻推荐方面的表现。更重要的是，我们揭示了微调数据质量在提高ChatGPT个性化推荐能力方面的关键作用，并展示了它在解决推荐系统中长期存在的“冷启动”问题方面的潜力。我们使用Microsoft News数据集（MIND）进行实验，发现ChatGPT在微调后取得了显著的改进，尤其是在用户的主题兴趣保持一致的情况下，将新闻推荐系统视为排名任务。本研究阐明了将ChatGPT微调作为推进新闻推荐系统的手段的变革潜力，提供更有效的新闻消费体验。

本文旨在探究ChatGPT在新闻推荐中的微调能力，并研究数据质量对其个性化推荐能力的影响，以解决推荐系统中的“冷启动”问题。

本文设计了两个不同的提示语，分别针对新闻推荐的排名任务和评分任务，通过直接响应来评估ChatGPT在新闻推荐中的表现，并发现微调可以显著提高ChatGPT的个性化推荐能力，特别是在用户的主题兴趣保持一致的情况下。

本文使用了Microsoft News数据集（MIND）进行实验，揭示了微调ChatGPT在提高新闻推荐中的个性化能力方面的潜力。实验结果表明，数据质量对ChatGPT的表现有重要影响。本文的亮点在于探究了ChatGPT在新闻推荐中的微调能力，并提出了解决推荐系统中的“冷启动”问题的方法。

相关研究包括： 1. “BERT for Personalized Ranking” by Zhang et al. from Microsoft Research Asia. 2. “Neural News Recommendation with Attentive Multi-View Learning” by Wang et al. from Northeastern University. 3. “Personalized News Recommendation via Attention-based Recurrent Neural Network” by Li et al. from Zhejiang University.