Large Language Models are Learnable Planners for Long-Term Recommendation

本文是LLM系列文章，针对《Large Language Models are Learnable Planners for Long-Term Recommendation》的翻译。

摘要

在建议中，对眼前和长期利益进行规划变得越来越重要。现有的方法通过最大化长期推荐的累积奖励来应用强化学习（RL）来学习规划能力。然而，当从头开始训练RL模型时，推荐数据的稀缺性带来了挑战，如不稳定性和过拟合的易感性，导致性能次优。有鉴于此，我们建议利用大型语言模型（LLM）在稀疏数据上的卓越规划能力进行长期推荐。实现这一目标的关键在于制定一项指导计划，遵循加强长期参与的原则，并以个性化的方式将该计划建立在有效和可执行的行动基础上。为此，我们提出了一个双层可学习LLM规划器框架，该框架由一组LLM实例组成，并将学习过程分解为宏观学习和微观学习，分别学习宏观指导和微观个性化推荐策略。大量实验验证了该框架有助于LLM的长期推荐规划能力。我们的代码和数据可以在https://github.com/jizhi-zhang/BiLLP上找到。

1 引言

2 相关工作

3 前言

4 方法

5 实验

6 结论

在这项工作中，我们探索将大型语言模型（LLM）的规划能力集成到建议中，以优化长期参与。为了弥合预训练场景和推荐场景之间的差距，我们提出了一种称为BiLLP的双层可学习LLM规划框架，其中使用分层机制将学习过程分为宏观学习和微观学习。这种分层方法提高了学习效率和适应性