LLM4MSR: An LLM-Enhanced Paradigm for Multi-Scenario Recommendation

随着对更个性化推荐需求的增长和商业场景的戏剧性增长，多场景推荐（MSR）的研究引起了广泛关注，它使用来自所有场景的数据同时提高它们的推荐性能。然而，现有的方法往往集成了不充分的场景知识，并忽略了学习个性化的跨场景偏好，从而导致性能不佳和解释能力不足。同时，虽然大型语言模型（LLM）已经展示了很强的推理和语义信息捕捉能力，但是调整的高推理延迟和高计算成本阻碍了它在工业推荐系统中的实现。为了填补这些空白，我们提出了一种有效的高效可解释的LLM增强范式LLM4MSR。具体而言，我们首先利用LLM从设计的场景和用户级提示中揭示多层次的知识，包括场景相关性和用户的跨场景兴趣，而无需微调LLM，然后采用分层元网络生成多层元层以明确改进场景感知和个性化推荐能力。我们在KuaiSAR-small、KuaiSAR和Amazon数据集上的实验验证了LLM4MSR的两个显著优势：（i）与不同的多场景骨干模型兼容且有效（在三个数据集上分别实现了1.5％、1％和40％的AUC改进），（ii）在工业推荐系统上具有高效性和可部署性，以及（iii）提高了可解释性。实现的代码和数据可用于简化再现。

提高多场景推荐的个性化和解释性能力，同时降低大语言模型的推理延迟和计算成本。

提出了一种有效的、高效的、可解释的大语言模型增强的多场景推荐范式（LLM4MSR），该范式利用大语言模型揭示场景相关性和用户跨场景兴趣，并采用层次元网络生成多级元层以显式提高场景感知和个性化推荐能力。

实验结果表明，LLM4MSR有两个显著的优点：一是有效性和兼容性，适用于不同的多场景骨干模型；二是高效性和可部署性，适用于工业推荐系统，同时提高了可解释性。

最近的相关研究包括：《A Survey on Multi-Scenario Recommendation Systems》、《Multi-Scenario Recommendation via Task-Aware Meta Learning》、《Hierarchical Meta Networks for Multi-Label Classification》等。