Re2LLM: Reflective Reinforcement Large Language Model for Session-based Recommendation

本文是LLM系列文章，针对《Re2LLM: Reflective Reinforcement Large Language Model for Session-based Recommendation》的翻译。

摘要

大型语言模型（LLM）正在成为增强基于会话的推荐（SBR）的有前途的方法，其中基于提示和基于微调的方法都已被广泛研究，以使LLM与SBR保持一致。然而，由于缺乏特定任务的反馈，前一种方法难以获得最佳提示来引出LLM的正确推理，导致推荐不令人满意。尽管后一种方法试图利用特定领域的知识对LLM进行微调，但它们面临着计算成本高和依赖开源主干网等限制。为了解决这些问题，我们提出了一个用于SBR的反射强化大语言模型（Re2LLM），指导LLM专注于更准确、更高效的建议所必需的专业知识。特别是，我们首先设计了反思探索模块，以有效地提取LLM易于理解和消化的知识。具体来说，我们指导LLM通过自我反思来检查推荐错误，并构建一个知识库（KB），其中包括能够纠正这些错误的提示。为了有效地引出LLM的正确推理，我们进一步设计了强化利用模块来训练轻量级检索代理。它学习根据特定任务的反馈从构建的知识库中选择提示，这些提示可以作为指导，帮助纠正LLM推理，获得更好的建议。在多个真实世界数据集上进行的大量实验表明，我们的方法始终优于最先进的方法。

1 引言

2 文献综述

3 方法

4 实验结果

5 结论

在本文中，我们提出了Re2LLM，一种用于SBR的反射增强LLM，旨在通过识别和纠正LLM推理中的常见错误来提高性能。我们提出了一种新的学习范式，将LLM的能力与适应性模型训练程序相结合。具体而言，Re2LLM利用LLM的自反射能力来捕