How Can Recommender Systems Benefit from Large Language Models: A Survey

要約

レコメンダー システム (RS) は、インターネット アプリケーションに対するユーザーの情報ニーズに適合する重要な役割を果たします。
自然言語処理 (NLP) ドメインでは、大規模言語モデル (LLM) が驚くべき創発能力 (命令追従、推論など) を示しており、パフォーマンスの向上とユーザー エクスペリエンスの向上のために LLM を RS に適応させるという有望な研究の方向性が生まれています。
本稿では、この研究の方向性を応用指向の観点から総合的に調査します。
まず、LLM を RS にどこでどのように適用するかという 2 つの直交する観点から既存の研究成果を要約します。
「WHERE」の質問では、LLM がレコメンデーション パイプラインのさまざまな段階、つまり特徴エンジニアリング、特徴エンコーダー、スコアリング/ランキング機能、パイプライン コントローラーで果たせる役割について説明します。
「HOW」の質問については、トレーニングと推論の戦略を調査し、その結果、LLM を調整するかどうか、および推論に従来の推奨モデル (CRM) を使用するかどうかという 2 つのきめの細かい分類基準が得られます。
両方の質問について、詳細な分析と一般的な開発の軌跡がそれぞれ提供されます。
次に、LLM を RS に適応させる際の重要な課題を、効率、有効性、倫理という 3 つの側面から強調します。
最後に、調査結果を総括し、今後の展望について議論します。
また、この上昇方向の論文やその他の関連リソースのための GitHub リポジトリ $\href{https://github.com/CHIANGEL/Awesome-LLM-for-RecSys}{[GitHub\;Link]}$ を積極的に維持しています。

要約(オリジナル)

Recommender systems (RS) play important roles to match users’ information needs for Internet applications. In natural language processing (NLP) domains, large language model (LLM) has shown astonishing emergent abilities (e.g., instruction following, reasoning), thus giving rise to the promising research direction of adapting LLM to RS for performance enhancements and user experience improvements. In this paper, we conduct a comprehensive survey on this research direction from an application-oriented view. We first summarize existing research works from two orthogonal perspectives: where and how to adapt LLM to RS. For the ‘WHERE’ question, we discuss the roles that LLM could play in different stages of the recommendation pipeline, i.e., feature engineering, feature encoder, scoring/ranking function, and pipeline controller. For the ‘HOW’ question, we investigate the training and inference strategies, resulting in two fine-grained taxonomy criteria, i.e., whether to tune LLMs or not, and whether to involve conventional recommendation model (CRM) for inference. Detailed analysis and general development trajectories are provided for both questions, respectively. Then, we highlight key challenges in adapting LLM to RS from three aspects, i.e., efficiency, effectiveness, and ethics. Finally, we summarize the survey and discuss the future prospects. We also actively maintain a GitHub repository for papers and other related resources in this rising direction: $\href{https://github.com/CHIANGEL/Awesome-LLM-for-RecSys}{[GitHub\;Link]}$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google