Large Language Models for Intent-Driven Session Recommendations
作者: Zhu Sun, Hongyang Liu, Xinghua Qu, Kaidong Feng, Yan Wang, Yew-Soon Ong
分类: cs.CL, cs.LG
发布日期: 2023-12-07
💡 一句话要点
提出基于大语言模型的意图驱动会话推荐方法，解决用户意图动态变化问题。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 会话推荐 意图感知 大型语言模型 提示工程 用户意图
📋 核心要点
- 传统会话推荐方法假设会话意图数量一致，忽略了用户意图的动态变化，限制了推荐精度。
- 利用大语言模型的推理能力，通过提示工程和优化，在语义层面理解用户意图，提升推荐效果。
- 在真实数据集上进行了广泛实验，验证了该方法的有效性，表明其在ISR系统中的显著进步。
📝 摘要（中文）
本文提出了一种新颖的意图感知会话推荐（ISR）方法，该方法利用大型语言模型（LLM）的先进推理能力。传统方法假设所有会话中意图的数量是统一的，忽略了用户会话的动态性，即意图的数量和类型可能显著变化。此外，这些方法通常在潜在空间中操作，从而阻碍了模型的可解释性。为了解决这些挑战，该方法首先生成一个初始提示，引导LLM基于用户会话中表现出的不同意图来预测会话中的下一个项目。然后，引入了一种创新的提示优化机制，迭代地进行自我反思和调整提示。此外，该提示选择模块建立在LLM广泛的适应性之上，可以快速选择跨不同领域的最优提示。这种新范式使LLM能够在语义层面上识别不同的用户意图，从而实现更准确和可解释的会话推荐。在三个真实世界数据集上的大量实验证明了该方法的有效性，标志着ISR系统的重大进步。
🔬 方法详解
问题定义：现有的意图感知会话推荐方法通常假设每个会话都包含相同数量的意图，这与现实情况不符，因为用户的意图在会话中是动态变化的。此外，许多方法在隐空间中进行操作，缺乏可解释性。因此，需要一种能够处理动态意图并提供可解释推荐的方法。
核心思路：本文的核心思路是利用大型语言模型（LLM）强大的推理能力来理解用户在会话中的意图。通过精心设计的提示（Prompt），引导LLM预测下一个可能感兴趣的物品。通过迭代优化提示，使LLM能够更好地捕捉用户意图的变化。
技术框架：该方法主要包含三个模块：1) 初始提示生成模块：根据会话历史生成初始提示，引导LLM预测下一个物品。2) 提示优化模块：通过自我反思和调整，迭代优化提示，提高LLM预测的准确性。3) 提示选择模块：基于LLM的适应性，选择在不同领域表现最佳的提示。整体流程是，首先生成初始提示，然后通过优化模块迭代改进提示，最后使用选择模块选择最佳提示进行推荐。
关键创新：该方法最重要的创新点在于利用LLM进行意图驱动的会话推荐，并引入了提示优化机制。与传统方法相比，该方法能够更好地处理用户意图的动态变化，并且具有更强的可解释性。通过提示工程，将推荐问题转化为LLM可以理解和解决的自然语言问题。
关键设计：提示优化模块是关键设计之一，它通过迭代地让LLM反思其预测结果，并根据反馈调整提示，从而提高预测的准确性。具体的优化策略和损失函数（如果论文中有明确提及）未知。提示选择模块的设计也至关重要，它需要根据不同的领域和会话选择最合适的提示，以获得最佳的推荐效果。具体选择策略未知。
📊 实验亮点
该方法在三个真实世界数据集上进行了实验，结果表明其优于现有的意图感知会话推荐方法。具体的性能提升数据未知，但摘要中提到该方法在ISR系统上取得了显著的进步，表明其在准确性和可解释性方面都有明显的优势。实验结果验证了利用LLM进行意图驱动会话推荐的有效性。
🎯 应用场景
该研究成果可应用于电商、在线视频、新闻推荐等领域，提升个性化推荐的准确性和用户体验。通过理解用户在会话中的动态意图，可以更精准地推荐用户感兴趣的商品、视频或新闻，从而提高用户满意度和平台收益。未来，该方法有望扩展到更复杂的推荐场景，例如多轮对话推荐和跨平台推荐。
📄 摘要（原文）
Intent-aware session recommendation (ISR) is pivotal in discerning user intents within sessions for precise predictions. Traditional approaches, however, face limitations due to their presumption of a uniform number of intents across all sessions. This assumption overlooks the dynamic nature of user sessions, where the number and type of intentions can significantly vary. In addition, these methods typically operate in latent spaces, thus hinder the model's transparency.Addressing these challenges, we introduce a novel ISR approach, utilizing the advanced reasoning capabilities of large language models (LLMs). First, this approach begins by generating an initial prompt that guides LLMs to predict the next item in a session, based on the varied intents manifested in user sessions. Then, to refine this process, we introduce an innovative prompt optimization mechanism that iteratively self-reflects and adjusts prompts. Furthermore, our prompt selection module, built upon the LLMs' broad adaptability, swiftly selects the most optimized prompts across diverse domains. This new paradigm empowers LLMs to discern diverse user intents at a semantic level, leading to more accurate and interpretable session recommendations. Our extensive experiments on three real-world datasets demonstrate the effectiveness of our method, marking a significant advancement in ISR systems.