利用大语言模型进行序列推荐中的去噪
内容提要
本文研究了大型语言模型在推荐系统中的应用，提出了判别型和生成型两种推荐类型，并分析了模型在零样本和少样本推荐任务中的表现。通过新框架ReLLa和CALRec，研究表明大型语言模型在推荐性能和用户行为理解上有显著提升。同时，提出了高效推荐模型SLMRec，基于小型语言模型，优化了参数和时间成本。
延伸解读
LLM推荐的两大技术路线
文章将基于大语言模型的推荐系统划分为判别型（DLLM4Rec）和生成型（GLLM4Rec）两类。判别型侧重对候选物品进行排序或评分，生成型则直接生成推荐内容或自然语言解释。这一分类有助于理解不同方法的设计动机：判别型更适合精准排序场景，生成型在可解释性和交互性上更有优势。读者可据此判断具体研究属于哪一类，并关注其评估指标是否匹配。
从通用大模型到轻量级落地
文章指出大语言模型在推荐中表现良好，但参数和时间成本高昂。SLMRec基于小型语言模型，仅使用LLM推荐模型13%的参数，训练和推断分别加速6.6倍和8.0倍。这提示实际部署时不必盲目追求大模型，通过分析中间层冗余，可以在保持性能的同时显著降低资源消耗。对于资源有限的团队，轻量级方案是值得关注的方向。
样本效率：少样本推荐的关键优势
Laser框架验证了大语言模型在推荐系统中的样本效率优势：仅需少量训练样本就能达到甚至超越基于全量数据训练的传统推荐模型。这意味着在冷启动或数据稀缺场景下，LLM增强的推荐系统可能更具实用性。但文章也提到，零样本排名虽好，若考虑历史交互顺序和位移，不同提示和启发方法会影响表现，因此实际应用中需谨慎设计提示策略。
Q&A
大型语言模型在推荐系统中的主要应用是什么？
大型语言模型在推荐系统中主要用于提升推荐性能和用户行为理解，尤其在零样本和少样本推荐任务中表现优异。
什么是判别型和生成型推荐？
判别型推荐（DLLM4Rec）侧重于对候选物品进行排名，而生成型推荐（GLLM4Rec）则侧重于生成推荐内容。
ReLLa框架的主要功能是什么？
ReLLa框架通过语义用户行为检索和调优技术，提高了推荐性能和对用户行为序列的理解能力。
CALRec框架与传统推荐方法相比有什么优势？
CALRec框架通过两阶段微调显著提高了推荐性能，优于许多最先进的对比方法。
SLMRec模型的特点是什么？
SLMRec是基于小型语言模型的推荐模型，使用率低，训练和推断时间成本显著降低。
Laser框架如何提升样本效率？
Laser框架通过在少量训练样本下验证大型语言模型的能力，能够达到甚至超越传统推荐模型的性能。
