LLM-Rec: Recomendação Personalizada via Prompting de Modelos de Linguagem de Grande Escala
LLM-Rec: Personalized Recommendation via Prompting Large Language Models
July 24, 2023
Autores: Hanjia Lyu, Song Jiang, Hanqing Zeng, Yinglong Xia, Jiebo Luo
cs.AI
Resumo
Investigamos diversas estratégias de prompting para aprimorar o desempenho de recomendação de conteúdo personalizado com modelos de linguagem de grande escala (LLMs) por meio de aumento de entrada. Nossa abordagem proposta, denominada LLM-Rec, abrange quatro estratégias distintas de prompting: (1) prompting básico, (2) prompting orientado por recomendação, (3) prompting guiado por engajamento e (4) prompting orientado por recomendação + guiado por engajamento. Nossos experimentos empíricos mostram que combinar a descrição original do conteúdo com o texto de entrada aumentado gerado pelo LLM usando essas estratégias de prompting resulta em um desempenho de recomendação aprimorado. Essa descoberta destaca a importância de incorporar prompts diversos e técnicas de aumento de entrada para melhorar as capacidades de recomendação com modelos de linguagem de grande escala para recomendação de conteúdo personalizado.
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.