本文介绍了名为RecAgent的推荐系统框架，结合大型语言模型（LLMs）提升推荐性能。研究表明，RecAgent在对话式推荐中优于传统模型。文章回顾了LLMs在推荐系统中的应用，探讨了预训练和微调方法，并提出了判别型和生成型两种推荐类型，分析了相关技术和性能挑战。

该文综述大语言模型在推荐系统等领域的应用：比较内容确定性、LLM指导、无指导LLM及混合方法在数据转换中的信息保留与时效表现；提出统一框架概括LLM自主代理研究；总结LLM推荐系统的预训练、微调与提示方法；介绍对话式推荐框架RecAgent及判别型与生成型两类LLM推荐系统；并探讨多智能体增强、语义词典学习及法律应用中的隐私与偏见等挑战。

本文介绍了如何使用大型语言模型（LLMs）来增强推荐系统，包括对话式推荐、序列推荐、评分预测和基于文本嵌入的推荐等。同时，作者还介绍了如何使用LLMs作为推荐模型的侧面特征。