Enhanced Recommendation Combining Collaborative Filtering and Large Language Models

本文是LLM系列文章，针对《Enhanced Recommendation Combining Collaborative Filtering and Large Language Models》的翻译。

摘要

随着信息爆炸时代的到来，推荐系统在各种应用中的重要性日益凸显。传统的协同过滤算法因其在捕获用户行为模式方面的有效性而被广泛使用，但在处理冷启动问题和数据稀疏性时遇到了局限性。大型语言模型（LLMs）凭借其强大的自然语言理解和生成能力，为推荐系统提供了新的突破。本研究提出了一种结合协同过滤和LLM的增强推荐方法，旨在利用协同过滤在建模用户偏好方面的优势，同时通过LLM增强对用户和项目文本信息的理解，以提高推荐的准确性和多样性。本文首先介绍了协同过滤和LLM的基本理论，然后设计了一个集成两者的推荐系统架构，并通过实验验证了系统的有效性。结果表明，基于协同过滤和LLM的混合模型显著提高了准确率、召回率和用户满意度，展示了其在复杂推荐场景中的潜力。

1 引言

在信息快速发展和数字化的时代，推荐系统在电子商务、社交媒体和视频流等平台中至关重要，它能够根据用户的行为、兴趣和偏好提供个性化建议。尽管基于用户和物品的协同过滤等传统算法在偏好建模方面表现出色，但在处理冷启动问题、数据稀疏性和复杂语义时却存在困难，难以满足多样化的用户需求，导致性能欠佳。深度学习的兴起，尤其是大语言模型（LLMs）的发展，为创新提供了新机遇。通过将协同过滤与大语言模型相结合，这些系统可以更有效地捕捉用户的潜在偏好，并利用深度文本理解来提高推荐精度，解决冷启动和稀疏数据等挑战。此外，近期的研究进展也为改进推荐系统提供了宝贵的思路。徐启明等人的可解释人工智能（XAI）提高了自然语言处理模型的透明度，有助于提升推荐的可解释性；隋木杰等人关于异常值、缺失数据和混合模型的研究增强了模型的稳健性和准确性；董雨欣等人的强化学习解决了复杂关系和数据不平衡问题，提升了系统性能；