TSPORec：通过基于 LLM 的顺序推荐的偏好优化进行词元选择

大语言模型 (LLM) 已成为改进推荐系统的强大工具。 LLM 的有效性源于其利用丰富文本信息的能力以及基于用户交互历史记录的异构用户偏好建模能力。然而，由于架构规模大、深度大，基于LLM的顺序推荐方法通常会产生较高的推理成本，导致投资回报率较低。为了减轻这种成本，许多现有方法仅使用项目描述的前几个标记，这无意中丢弃了全文中包含的有价值的信息，从而导致推荐性能不佳。为了解决这个限制，我们提出了一种新颖的词元选择方法，用于基于 LLM 的顺序推荐中的偏好优化，即 TSPORec，它可以准确地指出整个文本内容中的信息词元，以提高推荐性能。具体来说，我们设计了一个三阶段管道来选择信息丰富的词元，并引入一种新颖的代理奖励来促进实施。 TSPORec 不仅增强了推荐性能，还提高了计算效率。跨两个模型和数据集的大量实验表明，与六种基线方法相比，我们的方法具有卓越的性能（高达 31.25%）和效率（高达 63.4%）。代码可在 https://github.com/WNQzhu/TSPORec.git 获取。