Empowering Few-Shot Recommender Systems with Large Language Models-Enhanced Representations

本文是LLM系列文章，针对《Empowering Few-Shot Recommender Systems with Large Language Models-Enhanced Representations》的翻译。

摘要

在过去的几年里，利用显式反馈的推荐系统已经取得了显著的进步和广泛的应用。然而，在小样本场景中生成推荐仍然是一个持续的挑战。最近，大型语言模型（LLM）已成为解决自然语言处理（NLP）任务的一种很有前途的解决方案，从而为解决基于显式反馈的推荐系统所遇到的小样本场景提供了新的见解。为了连接推荐系统和LLM，我们设计了一个提示模板，根据明确的反馈生成用户和项目表示。随后，我们将这些LLM处理的表示集成到各种推荐模型中，以评估它们在不同推荐任务中的重要性。我们的消融实验和案例分析共同证明了LLM在处理显式反馈方面的有效性，强调了具有生成和逻辑推理能力的LLM可以有效地作为推荐系统的一个组成部分，以提高其在小样本场景中的性能。此外，LLM的广泛适应性增强了推荐模型的泛化潜力，尽管存在某些固有的限制。我们预计，我们的研究可以激励研究人员更深入地研究LLM参与推荐系统的多方面问题，并有助于推进基于明确反馈的推荐系统领域。

1 引言

2 相关研究

<