Large Language Models Make Sample-Efficient Recommender Systems

本文是LLM系列文章，针对《Large Language Models Make Sample-Efficient Recommender Systems》的翻译。

摘要

大型语言模型（LLM）在自然语言处理（NLP）领域取得了显著进展，在为各种任务生成类似人类语言的文本方面表现出了非凡的能力。这为在推荐系统（RS）中使用它们开辟了新的机会。在本文中，我们专门研究了LLM增强推荐系统的样本效率，它与模型在有限的训练数据量下获得卓越性能的能力有关。由于特征和交互的稀疏性，传统的推荐模型通常需要大量的训练数据。因此，我们提出并验证了我们的核心观点：大型语言模型使样本高效推荐系统。我们提出了一个简单而有效的框架（即Laser），从两个方面验证了这一观点：（1）LLM本身就是样本有效的推荐者；以及（2）LLM作为特征生成器和编码器，使CRM更具采样效率。在两个公共数据集上进行的大量实验表明，Laser只需要一小部分训练样本就可以匹配甚至超过在整个训练集上训练的CRM，这证明了其卓越的样本效率。

1 引言

2 相关工作

3 方法

4 实验

5 结论

本文研究了大型语言模型增强的推荐系统的样本效率特性。我们提出了一个简单而有效的框架（即Laser），从两个方面验证了核心观点——大语言模型是样本高效推荐系统：（1）LLM本身就是样本高效推荐器；以及（2）LLM使传统的推荐系统具有更高的样本效率。实验表明，只需少量的训练样本，我们提出的Laser就可以匹配甚至超过在整个训练集上训练的传统推荐模型。对于未来的工作，我们的目标是从以下两个方面提高基于LLM的推荐系统的样本效率：（1）探索选择少量