Leveraging Large Language Models in Conversational Recommender Systems论文精读

最新推荐文章于 2025-12-25 19:33:33 发布
原创 最新推荐文章于 2025-12-25 19:33:33 发布 · 1.5k 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#语言模型 #人工智能 #自然语言处理

文章探讨了如何利用大语言模型构建对话推荐系统，强调了增强推荐的互动性和解释性。重点介绍了两种方法：直接搜索与概念基础搜索，以及排名模块的改进，包括使用LLM的可解释性输出。文章还讨论了双塔模型的修改和搜索API的应用。


​​​​​​​大语言模型专题（15）YouTube推荐新范式——基于LLM的对话式推荐系统 - 知乎

论文核心

利用LLM构建对话推荐系统（CRS），增强推荐系统的可互动性和可解释性（传统推荐系统采用隐式指标，如点击率等）

解决问题

 连接LLM和推荐引擎的桥梁 【在Retrieve阶段连接】

模型 LLM 推荐引擎 缺点

Generalized Dual Encoder Model（双塔模型）

 输出Context文本在LLM中的编码 item embedding +

KNN or ScaNN

 语义空间不匹配
Direct LLM Search 物品的ID或标题 仅做搜索 对LLM端要求高
最低0.47元/天 解锁文章
ryan_here
关注
LEVERAGING LARGE LANGUAGE MODELS FOR STRUCTURE LEARNING IN PROMPTED WEAK SUPERVISION
c_cpp_csharp的专栏
05-15 201
提示弱监督（PromptedWS）在弱监督框架中应用预训练的大型语言模型（LLM）作为标记函数（LFs）的基础，以获得大型标记数据集。我们进一步扩展了LLM在循环中的使用，以解决弱监管中的一个关键挑战：学习监管来源之间的统计依赖结构。在这项工作中，我们询问LLM这些提示LFs有多相似。我们提出了一种结构细化模块，这是一种简单而有效的第一种方法，基于提示的相似性，利用嵌入空间中的内在结构。结构细化模块的核心是标记函数去除（LaRe）和相关结构生成（CosGen）。
大语言模型(Large Language Models) 原理与代码实例讲解
AI天才研究院
07-10 1174
大语言模型(Large Language Models) - 原理与代码实例讲解 1. 背景介绍 1.1 问题的由来 随着大数据和深度学习技术的飞速发展，大语言模型（Large Language Mo
LLM in RS (Conversational Recommendation)
weixin_44965236的博客
04-09 1996
1：这篇文章的大创新点是去除原有数据中的重复项，这种方法不仅可以证明LLM的有效性，同样也可以在评估传统的CRS模型进行评估。2：分析的角度很多，①证明了LLMs 更依赖于content/context knowledge而非collaborative knowledge；②LLMs评测时出现的幻觉情况；③基于GPT的LLMs比现存在的CRS有更好的content/context knowledge；④：LLM推荐在CRS中存在流行偏差；⑤：LLMs的推荐行难呢过更地理位置有关。
LLM4Rec：当推荐系统遇到大语言模型
Kaiyuan_sjtu的博客
01-15 2509
作者|kaiyuanhttps://bytedance.larkoffice.com/docx/OdGOdfsIPooznDx5ZvfcFqJjnne大家好，这里是NewBeeNLP。大模型LLM在越来越多的领域开始崭露头角，前段时间我们整理了大模型在推荐系统中的应用 survey，当时留了一些坑没填上，今天补上。完整阅读体验可看：https://bytedance.larkoffice.c...
Leveraging Large Language Models (LLMs) to Support Collaborative Human-AI Online Risk Data Annotatio
c_cpp_csharp的专栏
08-02 303
在本立场文件中，我们讨论了利用LLM作为交互式研究工具的潜力，以促进人类程序员和人工智能之间的协作，从而有效地大规模注释在线风险数据。协作人工智能标签是一种有前景的方法，可以为各种任务注释大规模和复杂的数据。然而，支持人类与人工智能有效协作进行数据标注的工具和方法尚未得到充分研究。这一差距是相关的，因为共同标签任务需要支持双向互动讨论，可以增加细微差别和背景，特别是在高度主观和情境化的在线风险背景下。
Leveraging Large Language Models for Web Scraping
c_cpp_csharp的专栏
10-21 204
大型语言模型 （LLM） 在复制人工任务和提高生产力方面表现出卓越的能力。然而，由于流利度优先于事实准确性以及处理特定信息的能力有限，它们直接应用于数据提取存在局限性。因此，为了克服这些限制，本研究利用预训练的 LLM 的知识表示能力和 RAG 模型实现的目标信息访问，本研究调查了为语言生成而设计的 RAG 模型的通用准确数据抓取方法。为了以更加模块化和可解释的方式捕获知识，我们使用带有潜在知识检索器的预训练语言模型，这允许模型从大型语料库中检索和处理文档。
LEVERAGING LARGE LANGUAGE MODELS FOR ENHANCED NLP TASK PERFORMANCE THROUGH KNOWLEDGE DISTILLATION
c_cpp_csharp的专栏
04-18 199
GPT-4等新兴的大型语言模型（LLM）彻底改变了自然语言处理（NLP），在命名实体识别（NER）等传统任务中显示出潜力。我们的研究探索了一种三阶段训练策略，该策略利用GPT-4的能力来提高BERT模型在NER上的性能。最初，GPT-4在不进行微调的情况下注释CONLL2003的一个子集和额外的BBC数据集。然后，我们使用原始数据和LLM注释数据的组合来训练BERT，分析LLM注释相对于传统方法的有效性。第二阶段涉及不同训练方案的比较实验，评估蒸馏数据和原始数据之间的协同作用。
Leveraging Large Language Models (LLMs) for Traffic Management at Urban Intersections
c_cpp_csharp的专栏
12-09 249
由于环境的动态变化，城市交通管理面临着巨大的挑战，传统算法无法快速实时适应这种环境并预测可能的冲突。本研究探讨了大型语言模型 (LLM)（特别是 GPT-4o-mini）改善城市十字路口交通管理的能力。我们使用 GPT-4o-mini 来针对各种基本场景实时分析、预测位置、检测和解决十字路口的冲突。本研究的主要结果是调查LLM是否能够通过提供实时分析来逻辑推理和理解场景，从而提高交通效率和安全性。该研究强调了LLM在城市交通管理领域创造更智能、更具适应性的系统的潜力。
Harnessing Large Language Models for Training-free Video Anomaly Detection
weixin_46687145的博客
12-03 1348
视频异常检测（VAD）旨在定位视频中的异常事件。现有的研究大多依赖于训练深度模型，以学习正常性分布，使用视频级监督、单类监督或无监督设置。基于训练的方法容易受到领域特定的限制，因此在实际部署中成本较高，因为任何领域变化都需要重新收集数据并重新训练模型。本文与以往的工作大为不同，提出了基于语言的视频异常检测方法（LAVAD），这是一种在新颖的无训练范式下处理视频异常检测的方法，利用了预训练的大型语言模型（LLMs）和现有的视觉-语言模型（VLMs）的能力。我们利用基于VLM的字幕生成。
20230829笔记
weixin_43845649的博客
08-22 1134
motivationmethod conclusion:
Evaluating Large Language Models: A Comprehensive Survey
c_cpp_csharp的专栏
11-07 746
大型语言模型（LLM）在广泛的任务范围内表现出了非凡的能力。它们引起了人们的极大关注，并被部署在许多下游应用程序中。然而，类似于一把双刃剑，LLM也存在潜在风险。他们可能会遭受私人数据泄露或产生不恰当、有害或误导性的内容。此外，LLM的快速发展引发了人们对在没有足够保障的情况下可能出现的超级智能系统的担忧。为了有效利用LLM能力并确保其安全和有益的发展，对LLM进行严格和全面的评估至关重要。本次调查旨在为LLM的评估提供一个全景视角。我们将LLM的评估分为三大类：知识和能力评估、对齐评估和安全评估。
利用大型语言模型进行视频异常检测（Harnessing Large Language Models for Training-free Video Anomaly Detection）
lemonzjk的博客
07-05 2608
提出LAVAD方法，利用预训练好的LLMs和VLMs来完成视频异常检测，不需要数据收集和模型训练。
一篇文章搞懂LangChain
weixin_40920183的博客
07-09 1226
来源：分布式实验室在日常生活中，我们通常致力于构建端到端的应用程序。有许多自动机器学习平台和持续集成/持续交付（CI/CD）流水线可用于自动化我们的机器学习流程。我们还有像 Roboflow 和 Andrew N.G. 的 Landing AI 这样的工具，可以自动化或创建端到端的计算机视觉应用程序。如果我们想要借助 OpenAI 或 Hugging Face 创建基于大语言模型的应用程序，以前我...
幽冥大陆(五十四)ASR C语言识别到自动化软件——东方仙盟筑基期
cybersnow精通 28 门计算机语言，凭借其超凡的技术能力，成功开发过上万个应用，广泛涉及政府、商业、个人等众多领域，甚至在检察院、环保局、公安局等专业场景中也大放异彩。不仅熟练掌握单片机和物联网开发，在软件架构设计方面更是独树一帜，自创了跨平台软件
12-20 1412
ASR（Automatic Speech Recognition，自动语音识别）技术在软件自动化命令领域正掀起一场变革。它使得软件系统能够理解人类语言，并依据指令自动执行任务。通过 ASR，用户无需手动输入复杂的命令或进行繁琐的界面操作，只需说出指令，软件就能精准响应。在自动化脚本编写中，ASR 可以实时将语音转化为代码命令。例如，在编写 Python 自动化脚本时，用户说出 “创建一个名为‘data’的列表”，ASR 系统就能将其转化为对应的 Python 代码data = []。
【AI学习-comfyUI学习-第二十三-法线贴图工作流-depth 结构+MiDaS 法线-各个部分学习】
qq_22146161的博客
12-25 671
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。不断学习摸索中。
做了一块可以调用百度云语音识别api和tts api的esp32 s3开发板，支持跑ai小智机器人的源码，基于idf5.5.1库编译，分享下
net3m33的专栏
12-25 221
做了一块可以调用百度云语音识别api和语音合成tts接口的esp32 s3开发板，支持跑ai小智机器人的源码，基于idf5.5.1库编译，分享
Q-learning 算法 —— 无模型（model-free）强化学习
一杯水果茶！足矣~
12-25 796
从已知模型到 Model-free 的强化学习转变：Q-Learning 算法，通过详细示例来讲解，理解 Q-table 的更新和贪婪策略
2025国自然资助率12.29%创新低！2026年如何用数据与AI“破局”？
最新发布
imbackneverdie的博客
12-25 633
这绝非简单的文字堆砌，它内在嵌入了对国自然申报规范的理解，能有效帮你规避常见的“方向偏离”“逻辑混乱”“格式错误”等基础问题，将你从繁琐的框架搭建中解放出来，专注于核心内容的精雕细琢。国自然2025年的资助率降至历史新低的12.29%，数万科研人员面对着更激烈的竞争与更严格的评审标准，对于2026年度的申报者而言，“高效准备，少走弯路”已不是口号，而是生存法则。它不仅告诉你“是什么”，更分析“为什么”和“怎么办”，直接为你的选题方向和立项论证提供坚实的数据支撑。模块，堪称科研人员的“选题外脑”。
[LLM]AIM: Adaptive Inference of Multi-Modal LLMs via Token Merging and Pruning
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
12-20 780
本文提出AIM框架，一种无需训练的多模态大语言模型(MLLMs)推理加速方法。通过双阶段设计：在LLM前基于相似度合并视觉Token，在LLM内基于注意力重要性剪枝Token，显著降低计算量。实验表明，该方法在视频理解任务中可减少6.8倍FLOPs，在图像任务中保持3.7倍加速的同时维持性能。关键发现包括：75%视觉Token冗余、LLM早期层侧重跨模态融合而后期侧重文本推理、跨帧合并会损害视频理解等。该方法支持动态调整压缩比例，为资源受限环境下的高效多模态推理提供了实用解决方案。
KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph
09-22
《KnowledgeNavigator: Leveraging Large Language Models for Enhanced Reasoning over Knowledge Graph》聚焦于利用大型语言模型增强知识图谱推理。大型语言模型（LLM）在复杂推理和问答（QA）任务中的知识限制方面存在局限性，而KnowledgeNavigator框架利用知识图谱中的外部知识来增强LLM推理[^4]。 该框架主要包括三个阶段：问题分析、知识检索和推理。在问题分析阶段，预测推理跳数，生成相似的问题，以增强推理逻辑挖掘；知识检索阶段，根据给定的问题和大语言模型指导，从知识图谱中迭代检索和过滤相关知识；推理阶段，将检索到的知识转化为对LLM有效的提示，以此增强其推理能力。并且该框架在KGQA基准测试中优于以前的知识图谱增强LLM方法[^4]。 ```python # 以下为简单示意框架各阶段伪代码 # 问题分析 def question_analysis(question): # 预测推理跳数 hop_count = predict_hop_count(question) # 生成相似问题 similar_questions = generate_similar_questions(question) return hop_count, similar_questions # 知识检索 def knowledge_retrieval(question, llm_guide, knowledge_graph): relevant_knowledge = [] # 迭代检索和过滤相关知识 for step in range(max_steps): new_knowledge = retrieve_and_filter(question, llm_guide, knowledge_graph) relevant_knowledge.extend(new_knowledge) return relevant_knowledge # 推理 def reasoning(relevant_knowledge, llm): prompt = convert_to_prompt(relevant_knowledge) result = llm.generate(prompt) return result ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值