Let Me Do It For You: Towards LLM Empowered Recommendation via Tool Learning

传统的推荐系统面临着准确捕捉用户细粒度偏好的挑战。大型语言模型（LLMs）已经展示了常识推理和利用外部工具的能力，这可能有助于解决这些挑战。然而，现有的基于LLM的推荐系统存在幻觉、物品语义空间与用户行为空间之间的不匹配或过于简单化的控制策略（例如，是排名还是直接呈现现有结果）。为了弥合这些差距，我们引入了ToolRec，这是一个通过工具学习实现LLM增强推荐的框架，它使用LLMs作为代理用户，从而指导推荐过程并调用外部工具生成一个与用户微妙偏好密切对齐的推荐列表。 我们将推荐过程形式化为探索用户在属性粒度上的兴趣的过程。该过程考虑到上下文和用户偏好的微妙之处。然后，LLM根据用户的属性指令调用外部工具，并探索物品池的不同段落。我们考虑两种类型的面向属性的工具：排名工具和检索工具。通过LLMs的集成，ToolRec使传统的推荐系统成为具有自然语言界面的外部工具。广泛的实验验证了ToolRec的有效性，特别是在语义内容丰富的场景中。

解决传统推荐系统难以准确捕捉用户细粒度偏好的问题，提出一种基于大型语言模型的推荐框架ToolRec

利用大型语言模型作为代理用户，通过工具学习引导推荐过程，以更好地满足用户的偏好，同时整合传统推荐系统和外部工具

提出了一种基于工具学习的推荐框架ToolRec，通过大型语言模型作为代理用户，整合传统推荐系统和外部工具，以更好地满足用户的偏好；设计了两种面向属性的工具：排名工具和检索工具；在多个数据集上进行了实验验证，证明ToolRec在富含语义内容的场景中的有效性

近期相关研究包括：1. "Neural Collaborative Filtering with Long- and Short-term User Representations"；2. "BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer"；3. "Graph Convolutional Matrix Completion for Recommendation with Side Information"