A Lightweight and Effective Framework for Integrating Large Language Models in Session-based

本文是LLM系列文章，针对《LLM4SBR: A Lightweight and Effective Framework for Integrating Large Language Models in Session-based Recommendation》的翻译。

摘要

传统的基于会话的推荐（SBR）利用来自匿名用户的会话行为序列进行推荐。尽管这种策略非常高效，但它牺牲了项目固有的语义信息，使模型难以理解会话的真实意图，并导致推荐结果缺乏可解释性。最近，大型语言模型（LLM）在各个领域蓬勃发展，为解决上述挑战提供了一线希望。受LLM影响的启发，探索LLM与推荐系统（RS）集成的研究像雨后的蘑菇一样激增。然而，受高时间和空间成本以及会话数据的简短和匿名性质的限制，第一个适合工业部署的LLM建议框架尚未在SBR领域出现。
为了应对上述挑战，我们提出了SBR的LLM集成框架（LLM4SBR）。LLM4SBR作为一个轻量级的即插即用框架，采用了两步策略。首先，我们将会话数据转换为文本和行为的双峰形式。在第一步中，利用LLM的推理能力，我们从不同的角度对会话文本数据进行推理，并设计用于辅助增强的组件。在第二步中，在行为数据上训练SBR模型，从不同的角度对齐和平均两个模态会话表示。最后，我们融合了来自不同角度和模式的会议陈述，作为建议的最终会议陈述。我们在两个真实世界的数据集上进行了实验，结果表明LLM4SBR显著提高了传统SBR模型的性能，并且具有高度的轻量级和高效性，适用于工业部署。

1 引言

2 相关工作

3 方法

4 实验

5 结论和未来工作

在本文中，我们探讨了将LLM与SBR模型相结合的可行性，同时考虑了有效性和效率。在短序列数据中，LLM可以直接利用其语言理解能力推