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兴趣。它们通常被设计成顺序流水线，需要大量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，使得一个单一的模型可以处理各种场景下的多样化推荐任务。然而，现有的基于LLM的推荐系统仅将LLM用于推荐流水线的单一任务。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，我们介绍了一种基于LLM的端到端推荐框架：UniLLMRec。具体而言，UniLLMRec通过推荐链将多阶段任务（例如召回、排名、重新排序）整合起来。为了处理大规模物品，我们提出了一种将所有物品结构化为物品树的新策略，这可以动态更新和有效检索。与传统的监督模型相比，UniLLMRec在零样本结果上表现出有前途的成果。此外，它具有高效性，与现有的基于LLM的模型相比，可以将输入令牌需求降低86％。这种效率不仅加速了任务完成，而且优化了资源利用。为了促进模型理解并确保可重复性，我们已经公开了我们的代码。

本文旨在解决现有推荐系统在数据量大、领域新的情况下难以扩展的问题，提出了一种基于大型语言模型的端到端推荐框架UniLLMRec。

UniLLMRec采用了多阶段任务（如召回、排名、再排序）的链式推荐方式，并通过将所有物品结构化为物品树的方法来处理大规模物品集。

UniLLMRec在零样本情况下表现出良好的推荐效果，与传统监督模型相比，输入令牌需求减少了86％，具有高效的优势。代码已经公开。

相关研究包括基于大型语言模型的推荐系统，如BERT4Rec、SASRec等。