CoRAL：协作检索增强的大型语言模型改进了长尾推荐
摘要
由于数据稀疏和数据不平衡的问题，长尾推荐对传统的推荐系统来说是一项具有挑战性的任务。最近开发的大型语言模型（LLM）显示了它们在复杂推理方面的能力，这有助于根据很少的先前交互推断用户的偏好。然而，由于大多数基于 LLM 的系统依赖于项目的语义作为推理的唯一证据，因此忽略了用户 - 项目交互的协作信息，这可能导致 LLM 的推理与数据集的特定任务协作信息不一致。为了进一步使 LLM 的推理与特定任务的用户 - 项目交互知识相一致，我们引入了协作检索增强 LLM，即 CoRAL，它直接将协作证据纳入提示中。基于检索到的用户 - 项目交互，LLM 可以分析用户之间共享和不同的偏好，并总结指示哪些类型的用户会被某些项目吸引的模式。检索到的协作证据提示 LLM 将其推理与数据集中的用户 - 项目交互模式相一致。然而，由于输入提示的容量是有限的，因此为推荐任务找到最低限度的足够的协作信息可能是一项挑战。我们建议通过顺序决策过程找到最优交互集，并开发通过强化学习（RL）框架 CoRAL 学习的检索策略。我们的实验结果表明，CoRAL 可以显著提高 LLM 在特定推荐任务上的推理能力。我们的分析还表明，CoRAL 可以通过强化学习更有效地探索协作信息。
