建议基础模型利用大型语言模型（LLM）通过将建议任务转换为自然语言任务来推荐。它可以像传统推荐模型中直接生成项目的生成性建议，而不是为每个候选项目计算每个候选项目的排名分数，从而简化了从多阶段过滤到单阶段过滤的推荐管道。在决定要推荐的项目时，要避免产生过长的文本和幻觉推荐，请创建与LLM兼容的项目ID，以唯一地识别每个项目对于建议基础模型至关重要。在这项研究中，我们以P5为示例LLM的一个示例，从系统地检查了建议基础模型的项目ID创建和索引问题。要强调项目索引的重要性，我们首先讨论了几种微不足道的索引方法的问题，例如随机索引，标题索引和独立索引。然后，我们提出了四种简单但有效的解决方案，包括索引，协作索引，语义（基于内容）索引和混合索引。我们的研究强调了项目索引方法对基于LLM的建议性能的显着影响，而我们对现实世界数据集的结果验证了我们提出的解决方案的有效性。该研究还证明了语言建模和索引等传统IR原则的最新进展如何帮助彼此更好地学习和推论。源代码和数据可在https://github.com/wenyueh/llm-recsys-id上找到。