Large Language Model Driven Recommendation

要約

これまでの章では、購入、表示、クリックなどの標準化された非言語的なユーザー フィードバックに基づくレコメンデーション システム (RS) に焦点を当てていましたが、LLM の出現により、レコメンデーションに自然言語 (NL) インタラクションを使用できるようになりました。
この章では、一般的な NL 推論に対する LLM の能力が、高度にパーソナライズされた RS を構築する新たな機会をどのように提供するかについて説明します。RS は、場合によってはインタラクティブな対話を介して、微妙で多様なユーザーの好みをアイテムに効果的に結び付けることができます。
この議論を始めるにあたり、まず、アイテムの説明、ユーザーとシステムの相互作用、およびユーザー プロファイルをカバーする、言語駆動型レコメンデーションのための主要なデータ ソースの分類を提示します。
次に、LLM 推奨の基本的な手法に進み、調整された設定と調整されていない設定の両方でのエンコーダーのみの LLM 推奨と自己回帰 LLM 推奨の使用を確認します。
その後、LLM が多段階パイプラインでレトリーバーや RS などのコンポーネントと対話するマルチモジュール レコメンデーション アーキテクチャに移行します。
これにより、会話型レコメンダー システム (CRS) のアーキテクチャにたどり着きます。このアーキテクチャでは、LLM が複数ターンの対話を促進し、各ターンで推奨を行うだけでなく、インタラクティブな好みの引き出し、批評、質問でユーザーと関わる機会が提供されます。
答える。

要約(オリジナル)

While previous chapters focused on recommendation systems (RSs) based on standardized, non-verbal user feedback such as purchases, views, and clicks — the advent of LLMs has unlocked the use of natural language (NL) interactions for recommendation. This chapter discusses how LLMs’ abilities for general NL reasoning present novel opportunities to build highly personalized RSs — which can effectively connect nuanced and diverse user preferences to items, potentially via interactive dialogues. To begin this discussion, we first present a taxonomy of the key data sources for language-driven recommendation, covering item descriptions, user-system interactions, and user profiles. We then proceed to fundamental techniques for LLM recommendation, reviewing the use of encoder-only and autoregressive LLM recommendation in both tuned and untuned settings. Afterwards, we move to multi-module recommendation architectures in which LLMs interact with components such as retrievers and RSs in multi-stage pipelines. This brings us to architectures for conversational recommender systems (CRSs), in which LLMs facilitate multi-turn dialogues where each turn presents an opportunity not only to make recommendations, but also to engage with the user in interactive preference elicitation, critiquing, and question-answering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google