用于隐私保护的联合用户行为建模 LLM 建议

大语言模型 在推荐系统中取得了巨大的成功。然而，用户数据的有限性和稀疏性往往限制了 LLM 有效建模行为模式的能力。为了解决这个问题，现有研究通过执行跨域推荐任务来探索跨域解决方案。但以前的方法通常假设域是重叠的并且可以轻松访问。 LLM方法都没有解决CDR设置中的隐私保护问题，即隐私保护跨域推荐。使用 LLM 进行非重叠 PPCDR 具有挑战性，因为：1）无法跨域共享用户身份或行为数据阻碍了有效的跨域对齐。 2）跨领域数据模式的异构性使知识整合变得复杂。 3）将传统推荐模型的协同过滤信号与 LLM 融合起来很困难，因为它们在不同的特征空间中运行。为了解决上述问题，我们提出了 SF-UBM，一种语义增强的联合用户行为建模方法。具体来说，为了应对挑战 1，我们利用自然语言作为通用桥梁，通过语义增强的联合架构连接不相交的域。在这里，基于文本的项目表示被加密和共享，而用户特定的数据仍然保留在本地。为了应对挑战 2，我们设计了一个事实计数器 知识蒸馏 模块，跨不同的数据模态将领域不可知的知识与特定领域的知识集成起来。为了应对挑战 3，我们将预先学习的用户偏好和跨域项目表示投影到软提示空间中，调整行为和语义空间以实现有效的 LLM 学习。我们对三对现实世界域进行了广泛的实验，实验结果证明了 SF-UBM 与最近的 SOTA 方法相比的有效性。