强的离谱，大模型 杀疯了！

-985高校助理教授。国内top3高校计算机科学博士学位

-在国际顶级会议及期刊ACL、EMNLPSIGIR、WWW、KDD、AAAI、HCAI等发表论文30余篇，并担任国际顶级会议ACL、EMNLP、SIGIR、WWW、KDDAAA1、IICAI等审稿人

-研究方向:自然语言处理NLP方向，预训练大规模语言模型、信息检索、对话系统、对话问答系统、机器学习、推荐系统、文本摘要、法律人工智能、医疗文本挖掘、计算广告

1.ls chatGPT a Good Recommender? A Preliminarystudy

论文探讨了ChatGPT等大型语言模型在推荐系统中的应用潜力。通过初步研究，发现大型语言模型可以有效地用于推荐系统，为个性化推荐提供有价值的参考信息。

2. Large Language Models are Zero-Shot Rankers forRecommender Systems

论文提出了大型语言模型在推荐系统中的应用新思路。它表明大型语言模型具有“零样本学习能力”，即能够在没有示例的情况下学习新任务，并用于对推荐结果进行排序。

3. TALLRec: An Effective and Efficient Tuning Frameworkto Align Large Language Model with Recommendation

论文介绍了一种有效的训练框架TALLRec，用于将大型语言模型与推荐系统相结合。通过该框架，可以有效地训练大型语言模型以适应推荐任务，从而提高推荐效果和效率。

最近，一项新的研究提出了一种结合了 大语言模型（Large Language Models, LLMs）和推荐系统的方法 ，这一方法通过构建一个推理知识图谱（Inferential Knowledge Graph），使得 推荐系统能够更好地理解和预测用户的购买意图。

这项研究的核心在于一个名为 LLM-KERec（Large Language Model based Complementary Knowledge Enhanced Recommendation System）的系统， 它通过实体提取器从商品和用户信息中提取统一的概念术语，并生成基于实体流行度和特定策略的实体对。大语言模型用于确定每对实体间的互补关系，并构建互补知识图谱。此外，新的互补回忆模块和实体-实体-商品（Entity-Entity-Item, E-E-I）权重决策模型通过使用真实的互补曝光-点击样本来细化排名模型的评分。

传统推荐模块： 在传统推荐架构中，当用户打开应用程序时，系统会自动发送请求到服务器。服务器触发召回模块，返回大量候选商品，然后通过粗排模型进行筛选，最终通过精排模型和重排模型决定商品的展示顺序。这些模型通常使用历史曝光和点击日志进行训练，因此，现有推荐模型往往倾向于推荐基于用户正面反馈的相似商品。

基于LLM的补充知识增强： LLM-KERec系统创建了一个统一的实体（类别）系统，用于用户账单行为和所有商品之间的连接。每个商品或账单都被分类到一个独特的实体中，这些实体作为各种内容之间的桥梁。利用世界知识和常识知识，系统采用大语言模型来确定两个实体之间是否存在补充关系，并构建补充知识图谱。然后，使用真实的曝光和点击反馈训练实体-实体-商品（E-E-I）权重决策模型，将知识注入排名模型中，以提供个性化的推荐。