港大開源推薦系統(tǒng)新范式RLMRec！大模型加持，準(zhǔn)確提煉用戶/商品文本畫像

AIGC動態(tài)歡迎閱讀

原標(biāo)題：港大開源推薦系統(tǒng)新范式RLMRec！大模型加持，準(zhǔn)確提煉用戶/商品文本畫像

關(guān)鍵字：表征,文本,信號,用戶,語義

文章來源：新智元

內(nèi)容字?jǐn)?shù)：14322字

內(nèi)容摘要：新智元報道編輯：LRS【新智元導(dǎo)讀】本文提出了一種簡易且高效的基于大語言模型的表征學(xué)習(xí)（Representation Learning）范式。基于該范式模型無關(guān)的特性，將其有效地與現(xiàn)有最先進的基于圖神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾推薦算法相結(jié)合，顯著且極大地提高了在推薦場景下的性能。推薦系統(tǒng)在深度學(xué)習(xí)和圖神經(jīng)網(wǎng)絡(luò)的影響下已經(jīng)取得了重大進步，尤其擅長于捕捉復(fù)雜的用戶-物品關(guān)系。然而，現(xiàn)有基于圖神經(jīng)網(wǎng)絡(luò)（GNNs）的推薦算法普遍僅依賴于ID數(shù)據(jù)構(gòu)造的結(jié)構(gòu)化拓?fù)湫畔ⅲ瑢?dǎo)致其大量存在于推薦數(shù)據(jù)集中與用戶和物品相關(guān)的原始文本數(shù)據(jù)，因此，其學(xué)習(xí)到的表示不夠信息豐富。此外，協(xié)同過濾中運用到的隱式反饋（Implicit Feedback）數(shù)據(jù)存在有潛在的噪聲和偏差，其對深度模型在用戶偏好學(xué)習(xí)的有效性也提出了挑戰(zhàn)。 目前，如何將大語言模型（LLMs）與傳統(tǒng)的基于ID數(shù)據(jù)的推薦算法相互結(jié)合，已經(jīng)受到了學(xué)界以及工業(yè)界的廣泛關(guān)…

原文鏈接：點此閱讀原文：港大開源推薦系統(tǒng)新范式RLMRec！大模型加持，準(zhǔn)確提煉用戶/商品文本畫像

聯(lián)系作者

文章來源：新智元

作者微信：AI_era

作者簡介：智能+中國主平臺，致力于推動中國從互聯(lián)網(wǎng)+邁向智能+新紀(jì)元。重點關(guān)注人工智能、機器人等前沿領(lǐng)域發(fā)展，關(guān)注人機融合、人工智能和機器人對人類社會與文明進化的影響，領(lǐng)航中國新智能時代。