从ID-based到LLM-based使用LLM的基于内容的多模态推荐系统

从ID-based到LLM-based使用LLM的基于内容的多模态推荐系统 本文旨在介绍一种新的基于内容的多模态推荐系统，该系统使用大型语言模型(LLM)来增强推荐结果。该系统的提出是为了解决传统推荐系统中的数据稀疏性问题和噪声问题。 多模态推荐系统的背景是多种辅助内容的引入，如文字标题、视觉图片和视频、背景音乐等，以吸引用户并提升推荐结果的质量。然而，这些辅助内容不可避免地引入了一些问题，如噪声和低质量内容。 基于内容的推荐存在的问题是辅助的多模态内容使用时不可避免地引入一些问题，如噪声和低质量内容。为了解决这个问题，本文提出了使用 LLM 来增强多模态内容的方法，利用 LLM 丰富的知识和卓越的自然语言理解能力基于文本模态来进行推荐系统的增强。 LLMRec 系统是通过将 LLM 应用于推荐系统的数据增强方法，利用 LLM 丰富的知识和卓越的自然语言理解能力基于文本模态来进行推荐系统的增强。该系统能够解决推荐系统中的噪声和低质量问题，提高推荐结果的准确性和个性化程度。 LLMRec 系统的工作流程是首先使用基础推荐模型（例如 LightGCN）获取数量有限的商品候选集，供大型语言模型选择，然后使用 LLM 来增强用户与物品之间的交互和文本模态的信息，包括用户画像和物品属性。使用 MAE（Masked Auto-Encoder）技术对物品特征进行处理，以使编码器更鲁棒能够不敏感于噪声和低质量内容的干扰。 LLMRec 系统的提出是为了解决推荐系统中的噪声和低质量问题，提高推荐结果的准确性和个性化程度。该系统的优势是能够充分利用数据集中的文本信息和大型语言模型的能力，强调了将 LLMs 用于增强推荐系统的意义。 此外，LLMRec 系统还能够解决推荐系统中的挑战，如如何让 LLMs 进行推荐任务和如何保证增强的模态内容的可靠性，避免噪声的影响。为解决这些挑战，LLMRec 系统提出了一种创新性的方法，即通过基础推荐模型获取数量有限的商品候选集，供大型语言模型选择，并使用 MAE 技术对物品特征进行处理。 LLMRec 系统是一种新的基于内容的多模态推荐系统，该系统使用大型语言模型(LLM)来增强推荐结果，能够解决推荐系统中的噪声和低质量问题，提高推荐结果的准确性和个性化程度。该系统的提出是为了推动推荐系统在各个应用领域的发展，并提高用户体验。