LLM4Rec的一点小总结和分享

最近看了一些LLM4Rec的论文，做了一丢丢小分享和小总结，这里也分享给大家，希望有所帮助。

目前LLM在RS中的应用范式主要是两类：LLM as Rec和LLM for Rec。

• LLM as Rec
  • 零样本（zero-shot），上下文学习（in-context learning），微调（fine-tune）

  

• LLM for Rec
  • 总结（summary），embedding，数据增广，数据融合

  

1. LLM as Rec

2. LLM for Rec

3. 优势与劣势

• 优势
  • 利用自然语言融合跨域信息
  • 丰富的世界知识，可以进行数据增广
  • 推理能力强，可以实现零样本推荐进行冷启动等
• 劣势
  • 推理速度较慢
  • 资源消耗大
  • 现有推荐系统基本是ID based的，如何向LLM based仍在探索中