DynLLM: 大规模语言模型遇上动态图推荐
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文综述了基于大型语言模型（LLMs）的推荐系统，探讨了其在用户兴趣理解和文本信息捕捉方面的应用。提出了结合图神经网络和LLMs的生成式推荐方法，以提升推荐系统性能。研究表明，LLMs在动态图中的时空理解能力逐渐增强，并讨论了未来的发展方向和挑战。
❓
Q&A
大型语言模型如何改进推荐系统的性能？
大型语言模型通过捕捉用户-物品图中的高阶关系和学习用户偏好，能够提升推荐系统的性能。
什么是生成式推荐方法？
生成式推荐方法是通过学习用户偏好并生成相关推荐，充分利用大型语言模型的知识来提供个性化推荐。
LLMs在动态图中的时空理解能力如何评估？
通过提出LLM4DyG基准，系统评估LLMs在动态图中的时空信息理解能力。
现有推荐系统面临哪些限制？
现有基于深度神经网络的推荐系统在理解用户兴趣和捕捉文本信息方面存在限制。
DST2方法的作用是什么？
DST2方法旨在增强LLMs在动态图中的时空理解能力，帮助提高模型性能。
未来大型语言模型驱动的推荐系统有哪些发展方向？
未来的发展方向包括进一步提升时空理解能力、优化生成式推荐方法和解决现有技术的局限性。
🏷️
