机构名称：
¥ 1.0
摘要 - LARGE语言模型（LLMS）在不同领域表现出了出色的性能，促使研究人员探索其在推荐系统中使用的潜力。最初的尝试利用了LLM的特殊功能，例如通过文本学习丰富的知识和强大的实现，这涉及将建议任务作为提示。尽管如此，由于LLMS的培训任务与建议任务的培训任务之间存在很大的差异，并且在预训练期间的建议数据不足，因此LLM在推荐任务中的性能仍然是最佳的。本文Intro-duces rlrf4rec是一个新颖的框架，该框架整合了从recsys反馈中学习的增强框架，以增强推荐的重新推荐（RLRF4REC）与LLMS解决这些挑战。具体来说，我们首先具有基于用户交互历史记录的LLM生成推断的用户偏好，然后将其用于增强传统的基于ID的序列推荐模型。随后，我们基于知识增强建议模型培训了奖励模型，以评估LLM的推理知识质量。然后，我们从N样品中选择最佳和最差的响应来构建用于LLM调整的数据集。最后，我们设计了一种具有直接偏好优化（DPO）的结构对齐策略。我们通过广泛的实验验证了RLRF4REC的有效性，与基准相比，建议指标的建议量度有显着改善。这表明我们的方法显着提高了LLM响应推荐系统中指令的能力。
RLRF4REC：从recsys反馈中学习增强建议
主要关键词
相关文件推荐
