LLM-Rec: 大規模言語モデルのプロンプティングによるパーソナライズドレコメンデーション

要旨

大規模言語モデル（LLM）を用いたパーソナライズドコンテンツ推薦の性能向上に向けて、入力拡張を通じた様々なプロンプト戦略を調査します。我々が提案するアプローチ「LLM-Rec」は、以下の4つの異なるプロンプト戦略を包含します：（1）基本プロンプト、（2）推薦駆動型プロンプト、（3）エンゲージメント誘導型プロンプト、（4）推薦駆動型＋エンゲージメント誘導型プロンプト。実証実験の結果、これらのプロンプト戦略を用いてLLMが生成した拡張入力テキストを元のコンテンツ説明と組み合わせることで、推薦性能が向上することが示されました。この発見は、多様なプロンプトと入力拡張技術を組み込むことが、大規模言語モデルを用いたパーソナライズドコンテンツ推薦の能力を高める上で重要であることを強調しています。

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.

LLM-Rec: 大規模言語モデルのプロンプティングによるパーソナライズドレコメンデーション

LLM-Rec: Personalized Recommendation via Prompting Large Language Models

要旨

Support