Tired of Plugins? Large Language Models Can Be End-To-End Recommenders

推荐系统旨在基于历史行为数据预测用户的兴趣。它们主要设计为顺序流水线，需要大量的数据来训练不同的子系统，并且很难扩展到新的领域。最近，大型语言模型（LLM）展示了出色的通用能力，使得单一模型能够处理各种场景下的多样化推荐任务。然而，现有的基于LLM的推荐系统仅纯粹利用LLM来处理推荐流程中的单一任务。此外，由于输入长度的限制，这些系统在以自然语言格式呈现大规模物品集时面临挑战。为了解决这些挑战，我们介绍了一个基于LLM的端到端推荐框架：UniLLMRec。具体而言，UniLLMRec通过推荐链集成了多阶段任务（例如召回、排名、重新排名）。为了处理大规模物品，我们提出了一种新的策略，将所有物品结构化为物品树，可以动态更新和有效检索。与传统的监督模型相比，UniLLMRec在零样本情况下显示出有希望的结果。此外，它具有高效性，相对于现有的基于LLM的模型，可以将输入标记需求降低86％。这种效率不仅加快了任务完成，还优化了资源利用。为了促进模型理解和确保可重复性，我们已公开发布了我们的代码。

解决问题：论文旨在提出一种基于大语言模型的端到端推荐框架UniLLMRec，以应对传统推荐系统的数据量大、难以扩展到新领域等问题。

关键思路：UniLLMRec将多阶段任务（如召回、排序、重新排序）通过推荐链集成，利用大语言模型处理大规模商品集，提出了一种新的商品结构化方法，同时实现高效的输入处理，取得了良好的效果。

其他亮点：论文在多个数据集上进行了实验，并与传统模型进行了比较。UniLLMRec在零样本情况下表现出良好的结果，并且比现有的基于大语言模型的模型减少了86%的输入令牌。此外，论文还开放了代码，方便理解和复现。

相关研究：最近的相关研究包括使用大语言模型的推荐系统和商品结构化方法。例如，GPT-based Recommendation和HGN-based Recommendation。