LLM-Rec: Gepersonaliseerde aanbevelingen via het aansturen van grote taalmodellen

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

Samenvatting

We onderzoeken verschillende promptingstrategieën om de prestaties van gepersonaliseerde contentaanbevelingen te verbeteren met grote taalmodellen (LLM's) door middel van inputaugmentatie. Onze voorgestelde aanpak, genaamd LLM-Rec, omvat vier verschillende promptingstrategieën: (1) basisprompting, (2) aanbevelingsgestuurde prompting, (3) betrokkenheidsgestuurde prompting, en (4) aanbevelingsgestuurde + betrokkenheidsgestuurde prompting. Onze empirische experimenten tonen aan dat het combineren van de originele contentbeschrijving met de geaugmenteerde inputtekst die door het LLM wordt gegenereerd met behulp van deze promptingstrategieën leidt tot verbeterde aanbevelingsprestaties. Deze bevinding benadrukt het belang van het integreren van diverse prompts en inputaugmentatietechnieken om de aanbevelingsmogelijkheden van grote taalmodellen voor gepersonaliseerde contentaanbevelingen te versterken.

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.