使用 ChatGPT 进行对话式推荐：通过反馈重新提示的方式改善推荐
内容提要
该文综述ChatGPT等大语言模型在推荐系统等场景的研究，包括评估其零样本推荐与排序能力并与标准算法及其他模型对比，探索对话推荐、酒店与书籍推荐及用户模拟评估框架iEvaLM，同时涉及AutoML、人本设计、教育支持及编程问题求解的表现与局限。
延伸解读
从零样本能力到对话式推荐：ChatGPT 的潜力与边界
文章汇总的多项研究显示，ChatGPT 在零样本推荐和排序任务上已展现出一定能力，其排序偏好与人类判断部分一致，可减轻人工标注压力。但研究也指出，它在调试等结构化任务中表现不佳，且在教育等场景存在生成错误、偏见或无用答案的风险。这表明大语言模型适合作为推荐系统的辅助组件，而非完全替代传统算法，实际部署需结合具体任务评估其可靠性。
评估方法创新：iEvaLM 与可解释性并重
针对对话推荐系统评估困难的问题，文章介绍了基于大语言模型的用户模拟器 iEvaLM，并在两个公开数据集上验证了 ChatGPT 的优势。该方法强调解释性评估，有助于更灵活地测试推荐系统。对研究者而言，这意味着评估重点正从单一准确率转向交互质量与可解释性；对开发者来说，则提示需关注模拟用户与真实用户行为之间的差距，避免过度依赖模拟结果。
跨场景应用：酒店、书籍与 AutoML 的启示
文章列举了 ChatGPT 在酒店推荐、书籍推荐（BookGPT）和自动化机器学习（AutoML）等场景的探索。酒店场景结合说服技术可提升参与度和转化率；BookGPT 尝试完成评分、用户评分和书籍概述等任务；AutoML 框架则扮演“个人数据科学家”。这些案例说明大语言模型能降低交互门槛，但各研究均提到局限性，如生成内容准确性、场景适配和后续改进方向，落地时需针对领域数据做验证。
Q&A
ChatGPT在零样本推荐系统中的表现如何？
研究表明，ChatGPT在零样本推荐任务中展现出较大优势，其排序偏好与人类有一定程度的一致性，具备一定的零样本排序能力，有潜力减轻排序任务中的注释压力。
iEvaLM是什么？它有什么作用？
iEvaLM是一种基于LLM的用户模拟器的交互式评估方法，用于改善对话推荐系统的评估协议。在两个公共数据集上的实验表明，ChatGPT在该框架下展现出较大优势，并强调了解释性评估的重要性。
ChatGPT在对话式推荐中如何提升传统推荐系统？
通过Chat-Rec范例的对话推荐系统（CRS），ChatGPT能够提高传统推荐系统的互动性与可解释性，并在学习用户喜好和零样本评级预测任务上表现出有效性改进。
BookGPT是什么？它如何利用ChatGPT进行书籍推荐？
BookGPT是一个基于ChatGPT的书籍推荐系统，利用大型语言模型技术实现书籍评分、用户评分和书籍概述三项典型任务，并讨论了其在书籍推荐场景中的优缺点及后续改进方向。
ChatGPT在解决编程问题方面表现如何？
研究表明，ChatGPT在解决结构化编程问题时表现出较好的成功率，但在调试任务上表现不佳。研究还考察了其解决方案的正确性和时间、内存复杂度等效率。
ChatGPT在教育支持场景中面临哪些挑战？
结合ChatGPT和传统基于信息检索的聊天机器人框架可以提供优化的高等教育学生支持，但需要解决LLMs在教育背景下生成错误、偏见或无用答案的挑战。
