沙丘社区
论文

使用协作信号进行基于 无需训练 LLM 后 LLM 项目细化的推荐

Training-Free LLM-Based Recommendation with Post-LLM Item Refinement Using Collaborative Signals

Kyungho Kim; Sunwoo Kim; Geon Lee; Shinhwan Kang; Sojeong Kim; Liam Collins; Bhuvesh Kumar; Donald Loveland; Kijung Shin
应用与实践结构化分析、预测与决策

摘要

大语言模型 (LLM) 已显示出 无需训练 推荐的前景，但 LLM 生成的用户兴趣通常对于细粒度的项目检索来说过于广泛。现有方法通过候选重新排序或提示增强以 LLM 之前的方式合并协同过滤（CF）信号，产生有限的增益。我们提出了 CoRRe，一个 无需训练 推荐框架，具有后 LLM 范式，将 CF 信号注入到 LLM 生成的项目表示中，随后与 LLM 生成的用户兴趣进行匹配以进行排名。具体来说，CoRRe 使用商品-商品共同购买图细化商品嵌入的方向，并使用商品流行度细化商品嵌入的大小。对真实数据集的实验表明，CoRRe 始终优于现有的 无需训练 方法，并且与基于训练的方法相比，实现了有竞争力或优越的性能，而不需要任何 模型训练 或特定于任务的 微调。