Utilizing Large Language Models for Industrial Recommendation Systems through an Inferential KG

本文是LLM系列文章，针对《Breaking the Barrier: Utilizing Large Language Models for Industrial Recommendation Systems through an Inferential Knowledge Graph》的翻译。

摘要

推荐系统广泛应用于电子商务网站和在线平台，以解决信息过载问题。然而，现有的系统主要依赖于历史数据和用户反馈，这使得很难捕捉用户意图的转变。最近，有人提出了基于知识库的模型来整合专家知识，但它很难适应新的项目和不断发展的电子商务环境。为了应对这些挑战，我们提出了一种新的基于大型语言模型的补充知识增强推荐系统（LLM-KERec）。它引入了一个实体提取器，从项目和用户信息中提取统一的概念术语。为了提供具有成本效益和可靠的先验知识，基于实体流行度和特定策略生成实体对。大型语言模型确定每个实体对中的互补关系，并构建互补知识图谱。此外，一个新的补充召回模块和实体-实体-项目（E-E-I）权重决策模型通过使用真实的补充暴露点击样本来细化排名模型的评分。我们在三个行业数据集上进行了广泛的实验。结果表明，与现有方法相比，我们的模型的性能有了显著提高。此外，详细的分析表明，LLM KERec通过推荐互补项目来提高用户的消费热情。总之，LLM KERec通过结合互补知识和利用大型语言模型来捕捉用户意图转换、适应新项目，并在不断发展的电子商务环境中提高推荐效率，从而解决了传统推荐系统的局限性。

1 引言

2 系统概述

3 LLM-KEREC系统初探

4 实验

5 结论

在本文中，我们提出了一种新的基于LLM的互补知识增强推荐（LLM-KERec）系统。它涉及利用实体提取器从所有项目和用户账单的可用信息中提取统一的