Emerging Synergies Between Large Language Models and Machine Learning in Ecommerce Recommendations

本文是LLM系列文章，针对《Emerging Synergies Between Large Language Models and Machine Learning in Ecommerc Recommendations》的翻译。

摘要

随着电子商务和网络应用程序的蓬勃发展，推荐系统已经成为我们日常生活的重要组成部分，根据用户的喜好提供个性化推荐。尽管深度神经网络（DNN）通过模拟用户和项目之间的交互并结合其文本信息，在改进推荐系统方面取得了重大进展，但这些基于DNN的方法仍然存在一些局限性，例如难以有效理解用户的兴趣和捕获文本信息。不可能概括到不同的可见/不可见推荐场景及其预测的原因。与此同时，以ChatGPT和GPT-4为代表的大型语言模型（LLM）的出现，由于其在语言理解和生成的基本任务中的卓越能力，以及令人印象深刻的泛化和推理能力，使自然语言处理（NLP）和人工智能（AI）领域发生了革命性的变化。因此，最近的研究试图利用LLM的力量来改进推荐系统。鉴于这一研究方向在推荐系统领域的快速发展，迫切需要对现有的LLM驱动的推荐系统进行系统审查，供相关领域的研究人员和从业者深入了解。更具体地说，我们首先介绍了一种使用LLM作为特征编码器来学习用户和项目表示的代表性方法。然后，我们从预训练、微调和提示三个范式回顾了用于协同过滤增强推荐系统的LLM技术的最新进展。最后，我们就这一新兴领域的未来方向进行了全面讨论。

1 引言

2 理论综述

3 方法

4 实验和结果

5 结论

在电子商务领域，个性化推荐系统对于提高用户满意度和推动销售至关重要。通过将基于用户的协同过滤与LLM相结合，本研究选择了相似的用户，从他们的购买历史中检索物品，并基于LLM引导