通过提示大型语言模型生成多样化的励志信息：与人工书写的信息相比较

原文约300字，阅读约需1分钟。发表于：。

通过使用众包任务的具体和包含示例的指导性说明书，我们发现，使用众包管道作为大语言模型（LLMs）的提示可以产生比基线提示更多样化的信息。同时，我们还讨论了人类作者和 LLMs 生成的信息的其他影响。

研究了通过输入增强措施提高大型语言模型在个性化内容推荐中的性能。提出了LLM-Rec方法，包括四种提示策略。实验证明结合原始内容描述和LLM生成的增强输入文本，使用这些提示策略可以改善推荐性能。强调了多样的提示和输入增强技术与大型语言模型相结合的重要性。