Wissensanpassung von großen Sprachmodellen zur Empfehlung für praktische industrielle Anwendungen

Zeitgenössische Empfehlungssysteme basieren überwiegend auf kollaborativen Filtertechniken und verwenden ID-Embedding, um latente Zusammenhänge zwischen Nutzern und Artikeln zu erfassen. Dieser Ansatz vernachlässigt jedoch den Reichtum semantischer Informationen, die in den textuellen Beschreibungen der Artikel enthalten sind, was zu suboptimalen Leistungen bei Cold-Start-Szenarien und Empfehlungen für Long-Tail-Nutzer führt. Die Nutzung der Fähigkeiten von großen Sprachmodellen (LLMs), die auf enormen Textkorpora vortrainiert wurden, bietet einen vielversprechenden Weg zur Verbesserung von Empfehlungssystemen durch Integration von offenem Domain-Wissen. In dieser Arbeit schlagen wir ein LLM-gesteuertes knowlEdge Adaptive RecommeNdation (LEARN) Framework vor, das offenes Weltwissen mit kollaborativem Wissen synergetisch verbindet. Wir adressieren Bedenken hinsichtlich der Rechenkomplexität, indem wir vortrainierte LLMs als Artikelnkodierer verwenden und die LLM-Parameter einfrieren, um katastrophales Vergessen zu vermeiden und das offene Weltwissen zu bewahren. Um die Lücke zwischen der offenen Welt und dem kollaborativen Bereich zu überbrücken, entwerfen wir eine Zwillings-Turm-Struktur, die durch die Empfehlung aufgabenüberwacht und für praktische industrielle Anwendungen zugeschnitten ist. Durch Offline-Experimente auf großskaligen industriellen Datensätzen und Online-Experimente mit A/B-Tests demonstrieren wir die Wirksamkeit unseres Ansatzes.