BriefGPT - AI 论文速递
·
时尚推荐的序列大语言模型框架
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
传统推荐系统依赖共享嵌入空间，序列模型如RNN和Transformer在序列推荐中表现出色。研究人员探索使用大型语言模型（LLMs）进行序列推荐。CALRec是一个两阶段的LLM微调框架，结合对比损失和语言建模损失。首先在多个领域数据上微调，然后在目标领域微调。实验显示，该模型在Recall@1和NDCG@10上优于其他方法，两个微调阶段结合效果最佳。
🎯
关键要点
- 传统推荐系统依赖共享的稠密嵌入空间来表示物品和用户偏好。
- 序列模型如RNN、GRU和Transformer在序列推荐任务中表现出色。
- 研究人员开始探索使用大型语言模型（LLMs）进行序列推荐。
- CALRec是一个两阶段的LLM微调框架，结合对比损失和语言建模损失。
- 首先在多个领域的数据上微调LLM，然后进行目标领域的微调。
- 实验结果显示，CALRec在Recall@1上增长37%，在NDCG@10上增长24%。
- 两个微调阶段都是至关重要的，结合时可以获得更好的性能。
- 目标领域中的对比对齐在实验中是有效的。
➡️
