LLMRS: Unlocking Potentials of LLM-Based Recommender Systems for Software Purchase

要約

Spotify のプレイリストの提案から Amazon 製品の提案まで、レコメンデーション システムはいたるところに存在します。
それにもかかわらず、方法論やデータセットによっては、これらのシステムは通常、ユーザーの好みを把握して一般的な推奨事項を生成することができません。
大規模言語モデル (LLM) の最近の進歩により、ユーザー クエリの分析に有望な結果が得られます。
ただし、ユーザーの好みや効率性を把握するためにこれらのモデルを採用するかどうかは未解決の問題のままです。
この論文では、事前トレーニングされた LLM を使用してユーザー レビューをレビュー スコアにエンコードし、ユーザーに合わせた推奨事項を生成する LLM ベースのゼロショット レコメンダー システムである LLMRS を提案します。
ソフトウェア購入のユースケースについて、実世界のデータセットである Amazon 製品レビューで LLMRS を実験しました。
結果は、LLMRS がランキングベースのベースライン モデルよりも優れたパフォーマンスを示しながら、製品レビューから有意義な情報をうまく取得し、それによってより信頼性の高い推奨事項を提供できることを示しています。

要約(オリジナル)

Recommendation systems are ubiquitous, from Spotify playlist suggestions to Amazon product suggestions. Nevertheless, depending on the methodology or the dataset, these systems typically fail to capture user preferences and generate general recommendations. Recent advancements in Large Language Models (LLM) offer promising results for analyzing user queries. However, employing these models to capture user preferences and efficiency remains an open question. In this paper, we propose LLMRS, an LLM-based zero-shot recommender system where we employ pre-trained LLM to encode user reviews into a review score and generate user-tailored recommendations. We experimented with LLMRS on a real-world dataset, the Amazon product reviews, for software purchase use cases. The results show that LLMRS outperforms the ranking-based baseline model while successfully capturing meaningful information from product reviews, thereby providing more reliable recommendations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google