Large Language Model Augmented Narrative Driven Recommendations

本文是LLM系列文章，针对《Large Language Model Augmented Narrative Driven Recommendations
》的翻译。

摘要

叙述驱动推荐（NDR）提出了一个信息访问问题，用户通过详细描述自己的偏好和背景来征求推荐，例如，旅行者在描述自己的好恶和旅行环境的同时，征求兴趣点的推荐。随着搜索和推荐系统中基于自然语言的会话接口的兴起，这些要求变得越来越重要。然而，NDR缺乏丰富的模型训练数据，当前的平台通常不支持这些请求。幸运的是，经典的用户-项目交互数据集包含丰富的文本数据，例如评论，这些数据通常描述用户偏好和上下文——这可以用于NDR模型的引导训练。在这项工作中，我们探索使用大型语言模型（LLM）进行数据扩充来训练NDR模型。我们使用LLM从用户-项目交互中创作合成叙述性查询，并在合成查询和用户-项目互动数据上训练NDR的检索模型。我们的实验表明，这是一种训练小参数检索模型的有效策略，在叙事驱动的推荐中，它优于其他检索和LLM基线。

1 引言

2 相关工作

3 方法

4 实验与结果

5 结论

在本文中，我们提出了Mint，一种用于叙事驱动推荐（NDR）任务的数据增强方法。Mint通过使用175B参数的大型语言模型来编写长形式的叙述性查询，同时以用户喜欢的项目的文本为条件，为NDR重新设计历史用户-项目交互数据集。我们在公开的Pointrec测试集上评估了基于Mint数据训练的双编码器和交叉编码器模型，用于叙事驱动的兴趣点推荐。我们证明，所得到的模型优于几个强基线和消融模型，并且在一次设置中匹配或优于直接用于NDR的175B LLM。