LLM驱动的多模态推荐新范式：解决噪声与提升精度

本文主要探讨了大语言模型（LLMs）在多模态推荐系统中的新兴应用和创新方法。随着推荐系统面临数据稀疏性和质量控制的问题，传统推荐系统通过引入侧信息来提升推荐效果，但这也带来了噪声和低质量信息的挑战。大模型的使用提供了一个新的解决方案，利用其丰富的知识库和自然语言理解能力，对用户-物品交互和文本模态（如用户画像和商品属性）进行增强。 具体来说，研究者提出了一种结合大语言模型和图增强的推荐系统，通过设计专门的u-i交互剪枝和item feature的MAE来保证增强数据的准确性。这种方法旨在解决由于侧信息引入的不确定性，使得推荐结果更加精准和可靠。 文中提到了两个多模态推荐数据集，分别是Netflix和MovieLens。Netflix数据集基于原始Netflix Prize数据，包含了电影的标题、年份和海报等信息，其中文本信息经过LLM的处理得到增强。MovieLens数据集则涵盖了电影的标题、年份和类型，视觉内容通过电影页面链接抓取海报。这些数据集不仅支持当前主流的多模态推荐模型，如LLMRec、LATTICE、MMSSL和MICRO等，还为研究者提供了标准化的平台来进行实验和对比。 总体来说，这篇论文的核心贡献在于提出了一种利用大语言模型提升多模态推荐系统性能的新方法，并通过实际数据集展示了其有效性。这为未来的推荐系统设计提供了新的思考方向，强调了大模型在处理复杂信息和提升推荐质量方面的潜力。