Key points are not available for this paper at this time.
Modelos de linguagem de grande porte (LLMs) demonstraram seu potencial significativo para serem aplicados em diversas tarefas de aplicação. No entanto, sistemas de recomendação tradicionais continuam enfrentando grandes desafios, como baixa interatividade e explicabilidade, que na verdade também dificultam sua ampla implantação em sistemas do mundo real. Para abordar essas limitações, este artigo propõe um novo paradigma chamado Chat-Rec (Sistema de Recomendação Aumentado por ChatGPT) que inova ao aumentar LLMs para construir sistemas de recomendação conversacionais convertendo perfis de usuário e interações históricas em prompts. O Chat-Rec é demonstrado como eficaz em aprender as preferências dos usuários e estabelecer conexões entre usuários e produtos através de aprendizado em contexto, o que também torna o processo de recomendação mais interativo e explicável. Além disso, dentro da estrutura do Chat-Rec, as preferências dos usuários podem ser transferidas para diferentes produtos para recomendações entre domínios, e a injeção de informações baseada em prompts em LLMs também pode lidar com cenários de arranque a frio com novos itens. Em nossos experimentos, o Chat-Rec melhora efetivamente os resultados das recomendações top-k e apresenta um desempenho superior na tarefa de previsão de classificação zero-shot. O Chat-Rec oferece uma nova abordagem para melhorar sistemas de recomendação e apresenta novos cenários práticos para a implementação de AIGC (conteúdo gerado por IA) em estudos de sistemas de recomendação.
Gao et al. (Sat,) estudaram esta questão.