Review-LLM: Nutzung von großen Sprachmodellen zur personalisierten Generierung von Bewertungen

Die Generierung von Produktbewertungen ist eine wichtige Aufgabe in Empfehlungsystemen, die Erklärung und Überzeugungskraft für die Empfehlung bieten könnte. Kürzlich haben große Sprachmodelle (LLMs, z.B. ChatGPT) überlegene Fähigkeiten im Textmodellieren und -generieren gezeigt, die in der Bewertungsgenération angewendet werden könnten. Die direkte Anwendung von LLMs zur Generierung von Bewertungen könnte jedoch durch das ``höfliche'' Phänomen der LLMs beeinträchtigt werden und könnte keine personalisierten Bewertungen (z.B. negative Bewertungen) generieren. In diesem Papier schlagen wir Review-LLM vor, das LLMs für die personalisierte Bewertungsgenération maßschneidet. Zuerst konstruieren wir den Eingabe-Prompt, indem wir das historische Verhalten des Nutzers aggregieren, das entsprechende Artikelüberschriften und Bewertungen umfasst. Dadurch können die LLMs die Interessenmerkmale und den Schreibstil der Bewertungen des Nutzers erfassen. Zweitens integrieren wir Bewertungen als Indikatoren für die Zufriedenheit in den Prompt, was das Verständnis des Modells für die Benutzerpräferenzen und die Kontrolle der Stimmungstendenz der generierten Bewertungen weiter verbessern könnte. Schließlich speisen wir den Prompt-Text in die LLMs ein und nutzen das überwachte Feintuning (SFT), um das Modell zur Generierung personalisierter Bewertungen für den gegebenen Nutzer und den Zielartikel zu bringen. Experimentelle Ergebnisse auf dem realen Datensatz zeigen, dass unser feinabgestimmtes Modell eine bessere Leistung in der Bewertungsgenération erzielen könnte als bestehende geschlossene LLMs.