LLM-Rec: Personalized Recommendation via Prompting Large Language Models

要約

私たちは、入力拡張を通じて大規模言語モデル (LLM) を使用してパーソナライズされたレコメンデーションのパフォーマンスを向上させるためのさまざまなプロンプト戦略を調査します。
LLM-Rec と呼ばれる私たちが提案するアプローチには、(1) 基本的なプロンプト、(2) 推奨に基づくプロンプト、(3) エンゲージメントに基づくプロンプト、および (4) 推奨に基づく + エンゲージメントに基づくプロンプトの 4 つの異なるプロンプト戦略が含まれます。
私たちの実証実験では、LLM によって生成された拡張入力テキストを組み込むと、レコメンデーションのパフォーマンスが向上することがわかりました。
推奨主導型およびエンゲージメント主導型のプロンプト戦略は、LLM のグローバルおよびローカルのアイテム特性の理解を引き出すことがわかっています。
この発見は、LLM による推奨機能を強化するために、多様なプロンプトと入力拡張技術を活用することの重要性を強調しています。

要約(オリジナル)

We investigate various prompting strategies for enhancing personalized recommendation performance with large language models (LLMs) through input augmentation. Our proposed approach, termed LLM-Rec, encompasses four distinct prompting strategies: (1) basic prompting, (2) recommendation-driven prompting, (3) engagement-guided prompting, and (4) recommendation-driven + engagement-guided prompting. Our empirical experiments show that incorporating the augmented input text generated by LLM leads to improved recommendation performance. Recommendation-driven and engagement-guided prompting strategies are found to elicit LLM’s understanding of global and local item characteristics. This finding highlights the importance of leveraging diverse prompts and input augmentation techniques to enhance the recommendation capabilities with LLMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google