CIKM 2024 | 大语言模型推荐中的协同过滤信号和语义信息的深度融合

主要观点总结

本文关注大语言模型推荐（LLM4Rec）的一个重要挑战，即将协同过滤信号嵌入大语言模型。通过混合编解码和基于注意力的多模态融合策略，提高大模型的个性化推荐能力。

关键观点总结

关键观点1: 将语义特征和协同过滤信号混合编解码

本文提出一种混合编解码方式，将语义特征和协同过滤信号结合，输入到大语言模型中进行处理。

关键观点2: 基于注意力的多模态融合策略

为了解决协同过滤信号和大语言模型的异质模态问题，本文提出了一种基于注意力的多模态融合策略，将两种信息对应的特征向量进行融合。

关键观点3: 实验结果表明CCF-LLM框架的有效性

在MovieLens 1M和Amazon Review数据集中的实验结果表明，CCF-LLM框架相比传统协同过滤模型和其他LLM4Rec方法有所提升。

文章预览

©PaperWeekly 原创 · 作者 |  刘中舟 单位 |  新加坡管理大学博士生 TL;DR 本文关注了大语言模型推荐（LLM4Rec）的一个重要挑战，即如何将协同过滤信号嵌入到大语言模型。具体而言，本文将语义特征和协同过滤信号混合编解码，并使用基于注意力的多模态融合策略将两种信息对应的特征向量进行融合，让大模型获得更优的个性化推荐能力。 前言 自从大语言模型被应用在多个领域以来，推荐算法社区的研究者们就对其产生了强烈的兴趣，许多 LLM4Rec 的工作相继出现。起初，人们试图将用户的历史商品序列转化成自然语言文本，输入到大语言模型，让它直接预测下一个商品，但效果欠佳。这说明仅仅依赖商品的语义信息是不足以让大语言模型进行精准的个性化商品推荐。 在传统推荐系统领域里，主流算法是基于协同过滤的，其重要性无需多言。协同 ………………………………