Improving the Performance of Sequential Recommendation Systems with an Extended Large Language Model

文章主要内容总结

本文聚焦于大型语言模型（LLMs）在序列推荐系统中的应用，提出通过在LlamaRec框架中用Llama3替换Llama2来提升推荐性能。研究保持LlamaRec的原有结构（包括检索器和排序器的两阶段推荐流程），仅更换排序器中的LLM，并通过统一随机种子、相同输入数据等确保实验公平性。实验采用ML-100K、Beauty、Games三个常用数据集，结果显示：替换后排序器性能和整体推荐性能均显著提升，三个数据集的平均性能分别提升38.65%、8.69%和8.19%。研究证实，无需改变系统结构，仅替换更先进的LLM即可低成本提升推荐质量，强调了在推荐系统研究和实践中及时采用最新LLM的重要性。

文章创新点

1. 验证LLM替换的有效性：首次在LlamaRec框架中验证了用Llama3替换Llama2对推荐性能的提升作用，证明了仅更新LLM（而非调整系统结构）即可显著改善推荐质量。
2. 强调时效性价值：指出随着LLM技术快速迭代，及时将最新模型（如Llama3）应用于推荐系统是提升性能的低成本、高效方案，为相关研究和实践提供了方向。
3. 严谨的实验设计：通过固定随机种子、统一数据预处理和训练流程，确保实验结果仅由LLM差异导致，增强了结论的可靠性。

翻译部分

摘要

近年来，主要科技公司在人工智能（AI）领域的竞争日益激烈，不断推出新的大型语言模型（LLMs），这些模型具有更强