大型语言模型辅助服务推荐的 QoS 预测
内容提要
本文探讨了基于大型语言模型（LLMs）的推荐系统，提出了判别型和生成型两种推荐方法，并评估了其性能与挑战。研究发现，LLMs在个性化电影推荐中具有较强的推荐解释能力，但在个性化和用户信任方面存在不足。强调提供用户背景信息的重要性，以提升推荐质量。
延伸解读
LLM推荐的两大技术路线
文章将基于LLM的推荐系统分为判别型（DLLM4Rec）和生成型（GLLM4Rec）两类，并从方法、技术和性能等维度进行了系统评估。这种分类有助于理解不同技术路径的适用场景：判别型可能更擅长排序和评分预测，而生成型则能直接生成推荐理由或对话式推荐。读者可据此判断自身业务更适合哪种架构。
个性化与信任仍是短板
在线实验显示，LLM在电影推荐中能提供较强的解释能力，但在整体个性化、多样性和用户信任方面表现不足。这意味着仅靠LLM生成推荐理由并不足以让用户满意，系统设计需额外关注用户长期信任的建立，例如通过持续交互和反馈机制来弥补个性化缺陷。
用户背景信息比提示技巧更重要
研究发现，不同的个性化提示技术对用户感知的推荐质量影响不大，而用户观看的电影数量等背景信息作用更显著。这提示开发者，与其在提示词上过度优化，不如优先收集和利用用户的个人历史与上下文，提供具体示例，才能获得更高质量的LLM推荐。
小众电影推荐的意外优势
LLM展现出更好地推荐知名度较低或小众化电影的能力，这可能是由于其训练数据中涵盖了更广泛的长尾内容。对于内容平台而言，这有助于提升长尾物品的曝光和多样性，缓解热门偏置问题，但同时也需注意小众推荐可能带来的用户接受度风险。
Q&A
大型语言模型在推荐系统中有哪些应用？
大型语言模型在推荐系统中的应用包括个性化电影推荐、填充缺失数据、提高推荐解释能力等。
判别型和生成型推荐方法有什么区别？
判别型推荐方法侧重于从已有数据中进行分类，而生成型推荐方法则通过生成新内容来进行推荐。
如何提高大型语言模型的推荐质量？
提供用户的背景信息和示例是提高大型语言模型推荐质量的关键因素。
用户观看的电影数量对推荐质量有何影响？
用户观看的电影数量对推荐质量的感知影响较大，超过个性化提示技术的影响。
大型语言模型在推荐小众电影方面表现如何？
大型语言模型在推荐知名度较低或小众化电影方面表现出更好的能力。
使用大型语言模型进行个性化推荐面临哪些挑战？
面临的挑战包括缺乏整体个性化、多样性和用户信任等问题。
