LLM-Rec : Recommandation personnalisée via l'utilisation de prompts avec des modèles de langage de grande taille

LLM-Rec: Personalized Recommendation via Prompting Large Language Models

July 24, 2023

Auteurs: Hanjia Lyu, Song Jiang, Hanqing Zeng, Yinglong Xia, Jiebo Luo

cs.AI

Résumé

Nous étudions diverses stratégies de prompting pour améliorer les performances de recommandation de contenu personnalisé avec des modèles de langage de grande taille (LLM) grâce à l'augmentation des entrées. Notre approche proposée, appelée LLM-Rec, englobe quatre stratégies de prompting distinctes : (1) prompting de base, (2) prompting orienté recommandation, (3) prompting guidé par l'engagement, et (4) prompting orienté recommandation + guidé par l'engagement. Nos expériences empiriques montrent que la combinaison de la description originale du contenu avec le texte d'entrée augmenté généré par le LLM à l'aide de ces stratégies de prompting conduit à une amélioration des performances de recommandation. Cette découverte souligne l'importance d'incorporer des prompts diversifiés et des techniques d'augmentation des entrées pour renforcer les capacités de recommandation des modèles de langage de grande taille dans le cadre de la recommandation de contenu personnalisé.

English

We investigate various prompting strategies for enhancing personalized content recommendation performance with large language models (LLMs) through input augmentation. Our proposed approach, termed LLM-Rec, encompasses four distinct prompting strategies: (1) basic prompting, (2) recommendation-driven prompting, (3) engagement-guided prompting, and (4) recommendation-driven + engagement-guided prompting. Our empirical experiments show that combining the original content description with the augmented input text generated by LLM using these prompting strategies leads to improved recommendation performance. This finding highlights the importance of incorporating diverse prompts and input augmentation techniques to enhance the recommendation capabilities with large language models for personalized content recommendation.