En los últimos años, la notable versatilidad de los grandes modelos de lenguaje (LLMs) ha suscitado un interés considerable en aprovechar sus capacidades para sistemas de recomendación. Críticamente, argumentamos que la aptitud intrínseca de los LLMs para modelar patrones secuenciales y dinámicas temporales los hace particularmente adecuados para tareas de recomendación secuencial, una premisa fundamental que se explora en profundidad más adelante en este trabajo. Sin embargo, este potencial se ve moderado por obstáculos significativos: existe una brecha discernible entre las competencias generales de los LLMs convencionales y las necesidades especializadas de las tareas de recomendación, y su capacidad para descubrir relaciones complejas de datos latentes a menudo resulta inadecuada, lo que podría socavar la eficacia de la recomendación. Para cerrar esta brecha, nuestro enfoque se centra en adaptar los LLMs mediante ajuste fino en conjuntos de datos de recomendación dedicados, mejorando la alineación específica de la tarea. Además, presentamos el marco de ajuste fino mejorado por integración temporal de grandes modelos de lenguaje para recomendaciones secuenciales (TisLLM). TisLLM tiene como objetivo la excavación más profunda de asociaciones implícitas dentro de las corrientes de datos de recomendación. Su mecanismo central implica particionar datos de interacción de usuarios secuenciales utilizando ventanas deslizantes definidas temporalmente. Estas porciones segmentadas cronológicamente se agregan luego para formar representaciones contextuales enriquecidas, que posteriormente impulsan el proceso de ajuste fino del LLM. Esta metodología refuerza explícitamente la compatibilidad del modelo con la naturaleza inherentemente secuencial de los escenarios de recomendación. La evaluación rigurosa en conjuntos de datos de referencia proporciona una validación empírica robusta, confirmando la efectividad del marco TisLLM.
Zhu et al. (Sun,) estudiaron esta cuestión.