论文地址：https://arxiv.org/pdf/2412.13432v1
1. 引言
大语言模型（LLM）在语言理解和推理方面展现出了前所未有的能力【3, 69, 87】。传统的推荐系统（RS）主要依赖于协同信号【2, 65, 66】，而通过LLM补充语义信息以增强RS的能力则显得非常有吸引力。因此，许多研究工作致力于填补自然语言与推荐之间的鸿沟，从而构建更强大的推荐系统。
尽管在将LLM应用于RS方面取得了一定的成功，但对话系统与推荐系统之间存在一个显著差异，即推理延迟。RS通常需要低延迟来处理大量请求，而像LLaMA-7B这样的LLM只能实现秒级的响应延迟【13】。然而，随着越来越多的研究关注于将LLM集成到在线系统中，特别是避免在推理过程中使用LLM，LLM增强推荐系统（LLMERS）领域正迅速发展。
2. LLM增强推荐系统的分类
根据LLM增强RS的组件，我们将现有的LLMERS方法分为三大类：知识增强、交互增强和模型增强。以下是对每个类别的详细分析。
分类" />
2.1 知识增强
知识增强利用LLM的推理能力和世界知识，为用户或项目生成文本描述。这些描述作为额外的特征来补充推理和理解知识，从而应对传统RS面临的挑战1。
2.1.1 摘要文本
- 用户侧和项目侧：例如，LANE【85】和LLM-BRec【22】通过构建提示来捕捉用户的多重偏好。ONCE【37】利用LLM作为新闻推荐的内容摘要器，而Yada等人【76】使用LLM生成类别描述以增强新闻内容。
- 用户和项目：一些研究为用户和项目生成摘要文本以增强RS。KAR【71】是这一领域的先驱，它以文本形式获取用户的推理知识和项目的客观知识。
2.1.2 知识图谱
- 生成：LLMRG【62】是第一个探索为RS生成知识图谱（KG）的。它通过LLM推导出可能的交互序列，并使用验证提示过滤掉不合逻辑的序列。
- 补全与融合：LLMKERec【86】采用LLM来识别项目KG内的互补关系，从而增强实体关系。
2.1.3 组合
一些研究结合了摘要文本和知识图谱的优势。例如，KELLMRec【46】集成了KG来构建提示，以避免从LLM获取摘要文本时出现幻觉问题。
2.2 交互增强
为了解决传统推荐系统中的数据稀疏性问题，数据增强是一种直接的方法【27】，其目标是生成新的交互。增强的交互仅用于训练传统RS模型，因此不会带来额外的推理负担。
2.2.1 基于文本的
ONCE【37】是第一个使用LLM进行RS数据增强的研究。它提示LLM根据用户的历史记录推荐新闻。生成的新闻作为增强交互添加到数据集中。
2.2.2 基于评分的
LLM-InS【21】是这一类别的典型工作。它首先使用LLM推导出用户和项目的语义嵌入，然后通过计算它们之间的相似性来生成增强数据。
2.3 模型增强
除了数据级增强之外，LLM的强大能力和语义也可以直接注入到传统的推荐模型中。RS模型通常由两个主要部分组成，即嵌入层和隐藏层。前者通常捕捉项目之间的关系，而后者提取更复杂的用户偏好。
2.3.1 模型初始化
CTRL【30】和FLIP【59】是这一领域的代表。CTRL首先将LLM提取的语义表示和传统RS模型派生的协同表示视为两种不同的模态，并通过对比任务对齐这两种“模态”。
2.3.2 模型蒸馏
知识蒸馏（KD）是一种压缩技术【15】，它也有望将LLM的强大能力带到小型RS模型中。LEADER【41】是这一领域的先驱，它使用LLM最后一层的隐藏状态通过可训练的适配器来蒸馏RS模型。
2.3.3 嵌入利用
LLM-CF【53】是这一类别的典型例子。它首先设计了一种数据混合方法以微调LLM以获得推荐能力。然后，经过良好训练的LLM可以生成链式思维（CoT）推理以增强用户偏好。
2.3.4 嵌入指导
LLM4SBR【48】通过识别代表性项目来增强基于会话的推荐模型的短期和长期偏好。LLM-ESR【40】通过LLM嵌入检索相似用户以增强长尾用户。
3. 趋势
为了调查LLMERS的趋势，我们根据LLM的类型和语义对当前的研究工作进行了可视化。
- 从显式语义到隐式语义：早期的许多研究【71, 86】提示LLM推导出包含知识和语义的自然语言以进行增强。由于其可读性和可理解性，我们将其称为显式语义。相比之下，隐式语义集群意味着LLM用于增强的中介是非语言的，例如LLM的隐藏状态。
- 开源LLM的普及：图中显示，越来越多的LLMERS研究工作倾向于使用开源LLM。一个原因是它可以节省调用API的费用。更重要的是，开源LLM可以微调以适应推荐任务【39】。
- 模型增强的兴起：最近，模型增强受到了更多关注，因为它可以更好地与隐式语义和微调LLM结合。
4. 应用与资源
传统的推荐系统已被广泛应用于各种应用，如新闻推荐。尽管LLMERS也基于传统RS，但它通常需要丰富的辅助信息，特别是信息丰富的文本，以充分利用LLM的推理和理解能力。
4.1 应用
- 电子商务：用户拥有许多配置文件特征，商品具有属性【40, 62】。
- 新闻推荐：典型的应用是利用LLM来总结丰富的新闻文本【37】。
4.2 数据集
我们列出了根据应用可用的公共数据集及其访问链接，以促进进一步的研究。
| 特征 | 应用 | 数据集 | 链接 |
|---|---|---|---|
| 特征 | 电子商务 | Amazon | https://bit.ly/4ibCNY1 |
| Alibaba | https://bit.ly/4itdGjq | ||
| 电影 | MovieLens | https://bit.ly/3B6pV4J | |
| Netflix | https://bitly.is/3ZrfWyT | ||
| POI | Yelp | https://bit.ly/4gfqvfd | |
| 视频 | KuaiSAR | https://bit.ly/3Vv7TzY | |
| 文本 | 新闻 | MIND | https://bit.ly/3ZzU9Xq |
| 书籍 | GoodReads | https://bit.ly/4f3Vjio |
5. 未来方向
- 探索更多推荐任务：现有LLME工作主要集中在几个基本的推荐任务上，如协同过滤【53】和序列推荐【40】。因此，将它们在某些其他推荐任务上的成功复制也是很有前景的。
- 多模态RS：由于更多多媒体服务的出现，多模态RS【38】最近变得越来越流行。然而，现有的多模态RS通常面临不同模态特征的提取和融合挑战。采纳多模态LLM【80】可能是增强现有多模态RS甚至消除提取和融合程序的一种可行方法。
- 用户侧增强：许多LLMERS工作都集中在项目侧，但很少有用户侧的工作。原因是用户的交互历史通常以文本形式有序地组织。然而，这样的提示通常面临超长问题【14】。此外，文本交互通常对LLM来说难以理解。这个问题因此严重阻碍了用户侧的增强，需要加以解决。
- 可解释性：可解释性是构建值得信赖的RS的一个重要方面。传统的RS通常在这方面有所欠缺，因为它们只采用无意义的身份。LLM通过从语义角度理解用户和项目来增强RS，这有望得出解释。
- 基准：由于LLMERS是一个新兴的方向，因此该领域没有基准。因此，开发一个全面且可用的基准是一个迫切的需求，因为它可以促进新鲜研究人员为这一领域做出贡献，并加速这一方向的进展。
6. 结论
大语言模型增强推荐系统（LLMERS）因其有效性和实用性而备受关注。在本文中，我们总结了当前在该领域的研究工作。根据LLMERS所针对的传统RS组件，我们将论文分为知识、交互和模型增强三大类。此外，为了方便和激励研究人员，我们总结了可用的资源，并提出了几个未来方向。
希望这篇文章对你有所帮助！如果你有任何问题或需要进一步的解释，请随时告诉我。
