基于混合检索增强生成的联邦推荐

联邦推荐 （FR）是一种新的范式，它可以实现隐私保护推荐。然而，传统的 FR 系统通常使用离散标识符（IDs）来表示用户 / 物品，由于 FR 中的数据稀疏性和异质性而导致性能下降。相比之下，基于大型语言模型（LLMs）的推荐器已经在各种推荐场景中证明了其有效性。我们提出了 GPT-FedRec，这是一个利用 ChatGPT 和一种新的混合检索增强生成（RAG）机制的联邦推荐框架。GPT-FedRec 是一个两阶段的解决方案。第一阶段是混合检索过程，挖掘基于 ID 的用户模式和基于文本的物品特征。然后，将检索到的结果转换为文本提示，并输入 GPT 进行重新排序。我们提出的混合检索机制和基于 LLM 的重新排序旨在从数据中提取概括特征，并利用 LLM 内部的预训练知识，克服 FR 中的数据稀疏性和异质性。此外，RAG 方法还可以防止 LLM 的产生虚假数据，提高了针对真实用户的推荐性能。对多种基准数据集的实验结果表明，GPT-FedRec 相对于最先进的基线方法具有优越的性能。