1. 基本情報
-
論文のタイトル: LLM-Rec: 大規模言語モデルのプロンプトによるパーソナライズされた推奨事項
-
著者: Hanjia Lyu、Song Jiang、Hanqing Zeng、Yinglong Xia、Jiebo Luo
-
机构:ロチェスター大学、カリフォルニア大学ロサンゼルス校、メタ AI、ロチェスター大学
2. まとめ
この論文では、入力拡張を通じて大規模な言語モデルを使用してパーソナライズされたコンテンツ推奨のパフォーマンスを向上させるためのさまざまなヒンティング戦略を調査します。提案された方法 LLM-Rec には、4 つの異なるプロンプト戦略が含まれています。1) 基本プロンプト、2) 推奨主導型プロンプト、3) エンゲージメント主導型プロンプト、4) 推奨主導型 + エンゲージメント主導型プロンプト。実験結果は、これらのヒンティング戦略を使用して、生のコンテンツの説明と LLM によって生成された拡張入力テキストを組み合わせることで、レコメンデーションのパフォーマンスを向上できることを示しています。この発見は、パーソナライズされたコンテンツの推奨を向上させるために、大規模な言語モデルに多様なヒントと入力拡張技術を組み込むことの重要性を強調しています。
3. はじめに
-
この論文では、パーソナライズされたコンテンツの推奨を改善するために、大規模言語モデル (LLM) を使用した入力拡張のためのヒンティング戦略を調査します。
-
以前の研究では、LLM を推奨モデルとして直接利用することに、より注目が集まっていました。このペーパーでは、LLM の可能性を実現するために入力テキストを強化するためのヒンティング戦略をさまざまな観点から検討します。
-
このペーパーの主な貢献は、基本プロンプト、推奨主導型プロンプト、参加ガイド付きプロンプト、推奨主導型プロンプトと参加ガイド付きプロンプトの組み合わせを含む LLM-Rec プロンプトを提案することです。これらの戦略は、LLM によって生成される入力テキストを強化し、コンテンツ推奨の精度と関連性を向上させることを目的としています。
4. 方法
この文書では、次の 4 つの促進戦略を提案します。
-
基本プロンプト: 3 つの基本プロンプト、 、 が含まれており、LLM に元のコンテンツの説明の言い換え、要約、要約をそれぞれ指示します。
-
推奨運転プロンプト: 基本プロンプトに基づいて推奨運転指示を追加し、 、 、 を取得します。明示的に生成されたコンテンツの説明はコンテンツの推奨に使用され、LLM が主要な機能に焦点を当てるように導きます。
-
参加ガイダンスのヒント: ターゲット アイテムとその重要な隣接アイテムのコンテンツ説明と組み合わせて、ユーザーの参加を利用して、LLM がユーザーの好みに沿ったコンテンツを生成できるようにガイドします。
-
推奨主導型プロンプトとエンゲージメント主導型プロンプトの組み合わせ: 推奨主導型プロンプトとエンゲージメント主導型プロンプトの利点を統合します。
5. 実験結果
-
実験結果は、LLM によって生成された拡張テキストとベースライン以外の他の方法によるオリジナルのコンテンツ記述を組み合わせることで、レコメンデーションのパフォーマンスを向上できることを示しています。
-
レコメンデーション主導のヒントは、主にレコメンデーション指向のテキスト生成を強化します。
-
基本的なヒントと比較して、 t の推奨パフォーマンスが向上しており、ガイド付きヒントに参加すると、LLM によって生成されるコンテンツがユーザーの好みにより一致することがわかります。
-
のレコメンデーション パフォーマンスは最高であり、レコメンデーション主導のキューとエンゲージメント ガイドによるキューの複合効果を示しています。
6 結論
このペーパーでは、パーソナライズされたコンテンツの推奨を改善するための入力拡張に大規模な言語モデルを利用する LLM-Rec ヒンティング戦略を紹介します。LLM-Rec の 4 つのバリアントに関する包括的な実験を通じて、拡張された入力テキストと元のコンテンツの説明を組み合わせることで、レコメンデーションのパフォーマンスが大幅に向上することが観察されました。これらの調査結果は、LLM と戦略的ヒント技術を使用して、パーソナライズされたコンテンツの推奨の精度と関連性を向上させる可能性を強調しています。この論文の研究では、LLM を利用したコンテンツ推奨のための革新的なアプローチの重要性を強調し、推奨パフォーマンスの向上における入力拡張の価値を実証しています。パーソナライズされたコンテンツのレコメンデーションがさまざまな分野で重要な役割を果たし続ける中、この調査は、強化されたレコメンデーション エクスペリエンスを提供するための LLM の効果的な使用方法についての洞察を提供します。