LLMRec：大语言模型驱动的推荐系统与数据增强

"这篇文档介绍了在大语言模型(LLM)时代如何利用这些模型改进推荐系统。作者提出了一种名为LLMRec的多模态推荐系统，该系统利用LLM的知识和自然语言理解能力来增强side information，从而解决推荐系统中的数据稀疏性和噪声问题。文档还介绍了两个多模态推荐数据集——Netflix和MovieLens，这些数据集包含了文本和视觉模态的信息，可用于训练和评估LLMRec等模型。" 在大语言模型时代，推荐系统正经历着深刻的变革。传统的推荐系统常常受限于数据稀疏性，这导致了用户和物品之间关系的不准确建模。为了解决这一问题，推荐系统开始引入side information，如用户画像和物品属性等多模态数据。然而，这些side information可能存在噪声和质量问题，影响推荐的准确性。大语言模型，如BERT、GPT等，因其强大的语义理解和知识生成能力，为这个问题提供了新的解决方案。 LLMRec系统通过两种方式利用LLM来增强side information：一是对用户-物品交互信息进行增强，二是强化文本模态的信息，包括用户画像和物品属性。为了确保增强数据的可靠性，系统采用了特定的策略，如u-i交互剪枝和item特征的mask auto-encoder，以过滤噪声和提升数据质量。 文档中还详细描述了构建的多模态推荐数据集。Netflix数据集是基于Kaggle上的原始Netflix Prize数据，包含电影的标题、年份等文本信息，以及通过网络爬虫获取的电影海报作为视觉信息。MovieLens数据集则来源于明尼苏达大学GroupLens项目，包含了电影的标题、年份、类型等文本信息，以及通过MovieLens项目URL获取的电影海报。 这些公开数据集的提供，为研究者提供了实验平台，可以测试和比较LLMRec与其它多模态推荐方法，如MMSSL、LATTICE和MICRO等。通过这些数据集，研究者能够进一步探索如何有效结合大语言模型和多模态信息，优化推荐系统性能，提升用户体验。