LLM在电商多模态内容推荐系统的探索与实践

LLM 在电商多模态内容推荐系统中的探索与实践 本文探索了大语言模型（LLM）在电商多模态内容推荐系统中的应用，旨在解决推荐系统中的数据稀疏性问题。通过使用 LLM 增强 side information，系统可以更好地捕捉用户行为和项目特征，从而提高推荐结果。 一、引入 Side Information 在推荐系统中，引入 side information 可以帮助缓解数据稀疏性问题。但是，side information 的使用也不可避免地会引入一些问题，如噪声和低质量。为了解决这些问题，文章提出使用 LLM 增强 side information，以提高推荐结果。 二、LLM 在多模态推荐系统中的应用 在多模态推荐系统中，LLM 可以用于增强 u-i 交互和文本模态的信息。具体来说，LLM 可以用于增强用户画像和项目特征，并且可以用于隐式反馈的增强。通过使用 LLM，可以充分利用数据集中的 side information，並避免只用 ID-based 交互造成的已有信息的浪费。 三、多模态推荐数据集 本文制作并公开了两个多模态数据集：Netflix 和 MovieLens。这些数据集可以用于训练和测试多模态推荐模型。数据集包括文本模态和视觉模态的信息，例如电影的标题、年份、genre 等。 四、隐式反馈增强 在推荐系统中，隐式反馈增强可以用于提高推荐结果。通过使用 LLM，可以实现隐式反馈的增强，并且可以避免只用 ID-based 交互造成的已有信息的浪费。 五、Feature 增强 在推荐系统中，Feature 增强可以用于提高推荐结果。通过使用 LLM，可以实现 Feature 增强，并且可以充分利用数据集中的 side information。 六、LLMRec 框架 本文提出了一种基于 LLM 的推荐系统框架：LLMRec。该框架可以用于多模态推荐系统，并且可以实现隐式反馈增强和 Feature 增强。 七、结论 本文探索了 LLM 在电商多模态内容推荐系统中的应用，旨在解决推荐系统中的数据稀疏性问题。通过使用 LLM，可以实现隐式反馈增强和 Feature 增强，提高推荐结果。该工作为电商多模态内容推荐系统提供了一种新的解决方案。