La Raccomandazione · Il piatto giusto per te
Survey LLM per la Raccomandazione (Wu 2024) — Tassonomia DLLM4Rec vs GLLM4Rec e tre paradigmi di modellazione
Immaginate di dover insegnare al motore di raccomandazione di Netflix a parlare. Per anni, il motore ha imparato esclusivamente osservando cosa cliccavate — non sapeva nulla di linguaggio.
Poi sono arrivati i grandi modelli linguistici, che conoscono quasi tutto del linguaggio ma non hanno mai visto la vostra cronologia di visioni. Questa rassegna mappa ogni tentativo dei ricercatori di unire queste due forme di conoscenza profondamente diverse: usare i modelli linguistici come migliori decodificatori di vocabolario che si inseriscono nella macchina di tracciamento dei click, oppure come l'intero sistema di raccomandazione.
Si scopre che il matrimonio è promettente ma complicato — i modelli linguistici sono brillanti come consulenti nella fase iniziale quando incontrano un nuovo utente, ma hanno ereditato pregiudizi profondi dalla lettura di Internet e possono essere sorprendentemente sensibili all'ordine in cui si elencano le opzioni.
Cosa dice, in breve
- Wu et al. (2024) classificano oltre 100 sistemi LLM-RS in due paradigmi principali: LLM Discriminativi per la Raccomandazione (DLLM4Rec, serie BERT) e LLM Generativi per la Raccomandazione (GLLM4Rec, serie GPT/T5/LLaMA); l'organizzazione sistematica del ramo generativo è rivendicata come prima nel genere.
- Vengono identificati tre paradigmi di modellazione trasversali: (1) LLM Embedding + RS — LLM come estrattore di caratteristiche; (2) LLM Token + RS — segnali semantici a livello di token integrati nella pipeline RS; (3) LLM come RS — LLM genera direttamente i risultati di raccomandazione.
- I metodi DLLM4Rec si suddividono in fine-tuning (U-BERT, BECR, UniSRec, NRMS) e prompt tuning (Prompt4NR); i metodi GLLM4Rec in non-tuning (prompting a zero/few-shot, in-context learning, agenti LLM-as-controller come ChatREC) e tuning (fine-tuning GPTRec/FLAN-T5; instruction tuning P5/M6).
- Quattro categorie di bias del modello sono caratterizzate: bias di posizione (effetti dell'ordine dei candidati), bias di popolarità (sovra-rappresentazione nel corpus di pre-training), bias di equità (assunzioni demografiche delle annotazioni) e bias di personalizzazione (difficoltà nell'integrare segnali di collaborative filtering negli LLM).
- Sfide principali: progettazione di prompt per feature eterogenee, limiti di lunghezza del contesto, fallimenti nella generazione controllata, assenza di benchmark su scala industriale, dimenticanza catastrofica del dominio.
- Punti di forza: prestazioni zero/few-shot competitive con il collaborative filtering nei scenari di cold-start; generazione in linguaggio naturale per spiegazioni più ricche e valutabili umanamente.
Provenienza
- Fonte
- A Survey on Large Language Models for Recommendation— Wu 2024
- Licenza
- unknown
- Nel Kosmos
- 9 voci · 251 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.