Richtung LLM-RecSys-Ausrichtung mit Text-ID-Lernen

Generative Empfehlungen, basierend auf großen Sprachmodellen (LLMs), haben den traditionellen, rankingsbasierten Empfehlungsstil in ein Text-zu-Text-Generierungsparadigma verwandelt. Allerdings hat die aktuelle Forschung zu generativen Empfehlungen, im Gegensatz zu standardmäßigen NLP-Aufgaben, die im Wesentlichen mit dem menschlichen Vokabular arbeiten, Schwierigkeiten, Empfehlungsobjekte innerhalb des Text-zu-Text-Rahmens mit prägnanten, aber bedeutungsvollen ID-Darstellungen effektiv zu kodieren. Um LLMs besser mit den Empfehlungsanforderungen in Einklang zu bringen, schlagen wir IDGen vor, das jedes Objekt als einzigartige, prägnante, semantisch reiche, plattformunabhängige textuelle ID unter Verwendung menschlicher Sprach-Tokens darstellt. Dies wird erreicht, indem ein textlicher ID-Generator zusammen mit dem LLM-basierten Empfehlungsalgorithmus trainiert wird, was eine nahtlose Integration personalisierter Empfehlungen in die natürliche Sprachgenerierung ermöglicht. Bemerkenswerterweise wird, da die Nutzerhistorie in natürlicher Sprache ausgedrückt und vom ursprünglichen Datensatz entkoppelt ist, unser Ansatz als potenziell für ein grundlegendes generatives Empfehlungsmodell angesehen. Experimente zeigen, dass unser Rahmen bestehende Modelle in der sequentiellen Empfehlung unter standardisierten experimentellen Bedingungen konsequent übertrifft. Danach erkunden wir die Möglichkeit, ein grundlegendes Empfehlungsmodell mit der vorgeschlagenen Methode anhand von Daten aus 19 verschiedenen Datensätzen zu trainieren und testen dessen Empfehlungsleistung auf 6 unbekannten Datensätzen über verschiedene Plattformen unter vollkommenen Zero-Shot-Bedingungen. Die Ergebnisse zeigen, dass die Zero-Shot-Leistung des vortrainierten Basis-Modells vergleichbar oder sogar besser ist als bei einigen traditionellen Empfehlungsmodellen, die auf überwachten Trainingsmethoden basieren, was das Potenzial des IDGen-Paradigmas als Basis-Modell für generative Empfehlungen zeigt. Code und Daten sind unter https://github.com/agiresearch/IDGenRec open-sourced.