LLMRec：利用ChatGPT的多模态推荐系统提升个性化内容

在WSDM'2024 Oral会议上，研究人员提出了一个新颖的推荐系统框架，名为LLMRec - 基于大语言模型(ChatGPT)的个性化基于内容的多模态推荐系统。该系统旨在解决传统推荐系统中数据稀疏性和side information质量问题，利用大语言模型的强大自然语言理解和知识储备来增强推荐过程。 首先，文章指出，传统的推荐系统通常依赖于侧信息来改善推荐结果，但这一做法可能引入噪声和低质量数据。LLMRec通过融合用户-物品交互和文本模态信息（如用户画像和项目属性）来解决这些问题。特别地，它设计了u-i交互剪枝策略来筛选可靠的信息，并采用了masking auto-encoder对item特征进行增强，确保增强数据的准确性。 为了支持研究，论文还构建了两个多模态推荐数据集，包括Netflix和MovieLens。Netflix数据集源自Kaggle的原始Netflix Prize数据，其中包含电影的标题、年份以及爬取的海报作为视觉信息。视觉模态数据通过网络爬虫获取，确保与文本信息相匹配。MovieLens数据集则包含了电影的基本元数据（如标题、年份和类型），以及每个项目网页上的视觉内容。 LLMRec框架不仅适用于Netflix和MovieLens这样的数据集，还与MMSSL、LATTICE和MICRO等当前多模态推荐方法保持兼容。这个工作不仅提供了一个创新的推荐系统技术，还为后续的研究者提供了实践和比较的基础，推动了基于大语言模型的个性化推荐系统在实际应用中的进一步发展。 值得注意的是，GitHub上可获取相关的模型代码实现（githubLLMRec），使得其他研究者可以重复实验或在此基础上进行扩展，共同探索大语言模型在推荐系统领域的潜力。总体来说，LLMRec展示了大语言模型在解决推荐系统挑战方面的潜力，以及如何有效地整合多种模态信息，以提升推荐效果的精确度和用户体验。