Recommendation Systems without Explicit ID Features A Literature Review

แบบจำลองพื้นฐานสำหรับรายการกระดาษระบบแนะนำ

ยินดีต้อนรับสู่การเปิดปัญหาหรือส่งคำขอดึง!

คำหลัก: ระบบแนะนำ, การเตรียมการ, แบบจำลองภาษาขนาดใหญ่, ระบบผู้แนะนำหลายรูป

เอกสารเหล่านี้พยายามตอบคำถามต่อไปนี้:

(1) ระบบผู้แนะนำสามารถมีแบบจำลองพื้นฐานของตัวเองคล้ายกับที่ใช้ใน NLP และ CV ได้หรือไม่?

(2) การฝัง ID จำเป็นสำหรับรุ่นผู้แนะนำเราสามารถแทนที่หรือ abondon ได้หรือไม่?

(3) ระบบผู้แนะนำจะเปลี่ยนจากกระบวนทัศน์การจับคู่เป็นกระบวนทัศน์การสร้างหรือไม่?

(4) LLM สามารถใช้เพื่อปรับปรุงระบบผู้แนะนำได้อย่างไร

(5) อนาคตของระบบผู้แนะนำหลายรูปแบบมีอะไรบ้าง?

รายการกระดาษ

กระดาษมุมมอง: ID เทียบกับ LLM & ID เทียบกับ Multimodal

• จะไปที่ไหนต่อไปสำหรับระบบผู้แนะนำ? ID-VS โมเดลผู้แนะนำแบบอิงตามแบบโมดอล
• การสำรวจขีด จำกัด บนของการกรองการทำงานร่วมกันแบบข้อความโดยใช้แบบจำลองภาษาขนาดใหญ่: การค้นพบและข้อมูลเชิงลึก, Arxiv 2023/05, [Paper]
• การสำรวจการเรียนรู้การถ่ายโอนอะแดปเตอร์สำหรับระบบผู้แนะนำ: การศึกษาเชิงประจักษ์และข้อมูลเชิงลึกเชิงปฏิบัติ, WSDM2024, [กระดาษ] [รหัส]
• ช้างในห้อง: ทบทวนการใช้แบบจำลองภาษาที่ผ่านการฝึกอบรมมาก่อนตามคำแนะนำตามลำดับ, ArxIV2024/04, [กระดาษ]

ชุดข้อมูลสำหรับ Rs ที่ถ่ายโอนหรือหลายรูปแบบ

• Ninerec: ชุดข้อมูลเบนช์มาร์กสำหรับการประเมินคำแนะนำที่สามารถถ่ายโอนได้ TPAMI2024, [กระดาษ] [ลิงก์] | รูปภาพข้อความชุดข้อมูลดาวน์สตรีมเก้าชุด
• Tenrec: ชุดข้อมูลมาตรฐานอเนกประสงค์ขนาดใหญ่สำหรับระบบผู้แนะนำ, Neurips 2022 [กระดาษ]
• PixelRec: ชุดข้อมูลภาพสำหรับระบบการเปรียบเทียบระบบผู้แนะนำด้วยพิกเซลดิบ, SDM 2023/09 [กระดาษ] | [ลิงก์] | รูปภาพ, ข้อความ, แท็ก, การโต้ตอบ 200 ล้านครั้ง
• Microlens: ชุดข้อมูลคำแนะนำ Micro-Video ที่ขับเคลื่อนด้วยเนื้อหาที่สเกล [Paper] [Link] [DeepMind Talk] | รูปภาพ, ข้อความ, วิดีโอ, เสียง, ความคิดเห็น, แท็ก ฯลฯ
• Mind: ชุดข้อมูลขนาดใหญ่สำหรับคำแนะนำข่าว, ACL2020, [กระดาษ] | ข้อความ
• การถ่ายโอนพารามิเตอร์-ประสิทธิภาพจากพฤติกรรมตามลำดับสำหรับการสร้างแบบจำลองผู้ใช้และคำแนะนำ SIGIR 2020 [ลิงก์]
• MOREC: [ลิงก์] Netflix: [ลิงก์] Amazon: [ลิงก์]
• การสำรวจการทำนาย CTR หลายแบบหลายแบบหลายแบบด้วยชุดข้อมูลขนาดใหญ่ Sigir 2024/07 [กระดาษ] | [ลิงก์] | รูปภาพ, ข้อความ, หลายโดเมน, ค่าลบจริง, 100 ล้านข้อมูล CTR

สำรวจ

• การสำรวจเกี่ยวกับแบบจำลองภาษาขนาดใหญ่สำหรับคำแนะนำ Arxiv 2023/05, [Paper]
• ระบบผู้แนะนำจะได้รับประโยชน์จากแบบจำลองภาษาขนาดใหญ่ได้อย่างไร: การสำรวจ, Arxiv 2023/06, [กระดาษ]
• ระบบแนะนำในยุคของแบบจำลองภาษาขนาดใหญ่ arxiv, 2023/07, [กระดาษ]
• การสำรวจการประเมินแบบจำลองภาษาขนาดใหญ่ arxiv, 2023/07, [กระดาษ]
• การเรียนรู้ด้วยตนเองสำหรับระบบผู้แนะนำ: การสำรวจ, arxiv, 2023/06, [กระดาษ]
• Pre-Train, Promp และคำแนะนำ: การสำรวจที่ครอบคลุมของการปรับเปลี่ยนกระบวนทัศน์การสร้างแบบจำลองภาษาในระบบแนะนำ, 2022/09, [Paper]
• การสร้างแบบจำลองผู้ใช้ในยุคของแบบจำลองภาษาขนาดใหญ่: การวิจัยในปัจจุบันและทิศทางในอนาคต, 2023/12, [กระดาษ]
• การสร้างแบบจำลองผู้ใช้และการทำโปรไฟล์ผู้ใช้: การสำรวจที่ครอบคลุม, 2024/02, [กระดาษ]
• แบบจำลองพื้นฐานสำหรับระบบผู้แนะนำ: การสำรวจและมุมมองใหม่, 2024/02, [กระดาษ]
• การเตรียมการหลายรูปแบบการปรับตัวและการสร้างคำแนะนำ: การสำรวจ, 2024/05, [กระดาษ]
• ถนนทุกสายนำไปสู่กรุงโรม: เปิดตัววิถีของระบบผู้แนะนำในยุค LLM, 2024/07, [กระดาษ]

แบบจำลองภาษาขนาดใหญ่สำหรับคำแนะนำ （LLM4REC)

ปรับขนาด LLM

• ความสามารถฉุกเฉินของแบบจำลองภาษาขนาดใหญ่ TMLR 2022/08, [กระดาษ]
• การสำรวจขีด จำกัด บนของการกรองการทำงานร่วมกันแบบข้อความโดยใช้แบบจำลองภาษาขนาดใหญ่: การค้นพบและข้อมูลเชิงลึก, Arxiv 2023/05, [Paper]
• LLMS เข้าใจการตั้งค่าของผู้ใช้หรือไม่? การประเมิน LLMS ในการทำนายคะแนนผู้ใช้, Arxiv 2023/05, [กระดาษ]
• กฎหมายการปรับขนาดสำหรับรูปแบบการแนะนำ: ไปสู่การเป็นตัวแทนผู้ใช้ที่มีวัตถุประสงค์ทั่วไป, AAAI 2023, [กระดาษ]

LLM กว้างและลึกและยาว

• STACKREC: การฝึกอบรมที่มีประสิทธิภาพของแบบจำลองผู้แนะนำตามลำดับลึกมากโดยการทำซ้ำการทำซ้ำ, SIGIR 2021, [กระดาษ]
• กรอบการเลือกเลเยอร์ผู้ใช้ที่ปรับตัวสำหรับรุ่นผู้แนะนำตามลำดับที่ลึกมาก AAAI 2021, [กระดาษ]
• กรอบการบีบอัดเครือข่ายทั่วไปสำหรับระบบผู้แนะนำตามลำดับ, SIGIR 2020, [กระดาษ]
• กฎการปรับขนาดของแบบจำลองคำแนะนำตามลำดับขนาดใหญ่, Arxiv 2023/11, [Paper]
• การกระทำดังกว่าคำพูด: ทรานสดิวเซอร์ต่อเนื่องของพารามิเตอร์ล้านล้านพารามิเตอร์สำหรับคำแนะนำกำเนิด, Arxiv 2024/03, [กระดาษ]
• การทำลายอุปสรรคความยาว: การทำนาย CTR ที่เพิ่มขึ้นของ LLM ในพฤติกรรมผู้ใช้ที่เป็นข้อความยาว, SIGIR 2024, [กระดาษ]

การปรับ LLM

• CALREC: การจัดตำแหน่งที่ตรงกันข้ามของ LLMs Generative สำหรับคำแนะนำตามลำดับ, RECSYS 2024, [PAPER]
• M6-REC: แบบจำลองภาษาที่ผ่านการฝึกฝนมาก่อนเป็นระบบแนะนำแบบเปิดปลาย, Arxiv 2022/05, [กระดาษ]
• TallRec: กรอบการปรับแต่งที่มีประสิทธิภาพและมีประสิทธิภาพในการจัดแนวแบบจำลองภาษาขนาดใหญ่ตามคำแนะนำ, Arxiv 2023/04, [กระดาษ]
• GPT4REC: เฟรมเวิร์กกำเนิดสำหรับคำแนะนำส่วนบุคคลและการตีความความสนใจของผู้ใช้, 2023/04, [กระดาษ]
• กระบวนทัศน์พื้นฐานแบบสองขั้นตอนสำหรับแบบจำลองภาษาขนาดใหญ่ในระบบแนะนำ, Arxiv, 2023/08, [กระดาษ]
• Llamarec: คำแนะนำสองขั้นตอนโดยใช้แบบจำลองภาษาขนาดใหญ่สำหรับการจัดอันดับ, pgai@cikm 2023, [กระดาษ] [รหัส]
• การปรับปรุงคำแนะนำตามลำดับด้วย LLMS, ARXIV 2024/02, [กระดาษ]

การแช่แข็ง LLM [ลิงก์]

• CTR-BERT: การกลั่นความรู้ที่คุ้มค่าสำหรับรุ่นครูพันล้านพารามิเตอร์， Arxiv 2022/04, [กระดาษ]
• สู่ระบบผู้แนะนำการสนทนาแบบรวมผ่านการเรียนรู้ที่เพิ่มขึ้นอย่างรวดเร็ว ARXIV 2022/06, [PAPER]
• คำแนะนำทั่วไป: ไปสู่กระบวนทัศน์ผู้แนะนำรุ่นต่อไป, Arxiv 2023/04, [กระดาษ]
• การสำรวจขีด จำกัด บนของการกรองการทำงานร่วมกันแบบข้อความโดยใช้แบบจำลองภาษาขนาดใหญ่: การค้นพบและข้อมูลเชิงลึก, Arxiv 2023/05, [Paper]
• การดูครั้งแรกที่คำแนะนำข่าวทั่วไปของ LLM, ARXIV 2023/05, [กระดาษ]
• ระบบผู้แนะนำการรักษาความเป็นส่วนตัวพร้อมการสร้างแบบสอบถามสังเคราะห์โดยใช้โมเดลภาษาขนาดใหญ่ส่วนตัวที่แตกต่างกัน, Arxiv 2023/05, [กระดาษ]
• Recagent: กระบวนทัศน์การจำลองแบบใหม่สำหรับระบบผู้แนะนำ, Arxiv 2023/06, [กระดาษ]
• คำแนะนำรายการถัดไป zero-shot โดยใช้โมเดลภาษาที่มีขนาดใหญ่มาก, Arxiv 2023/04, [Paper]
• CHATGPT สามารถให้คำแนะนำที่เป็นธรรมได้หรือไม่? มาตรฐานการประเมินความเป็นธรรมสำหรับการแนะนำด้วยแบบจำลองภาษาขนาดใหญ่ Recsys 2023
• ใช้ประโยชน์จากแบบจำลองภาษาขนาดใหญ่สำหรับคำแนะนำตามลำดับ, Recsys 2023/09, [Paper]
• LLMREC: โมเดลภาษาขนาดใหญ่พร้อมการเพิ่มกราฟสำหรับคำแนะนำ, WSDM 2024 ปากเปล่า, [กระดาษ] [รหัส]
• ID Embeddings จำเป็นหรือไม่? การฝังข้อความที่ได้รับการฝึกฝนมาก่อนเพื่อแนะนำคำแนะนำตามลำดับที่มีประสิทธิภาพ Arxiv 2024/02, [กระดาษ]

พร้อมด้วย LLM

• แบบจำลองภาษาขนาดใหญ่เป็นอันดับ zero-shot สำหรับระบบผู้แนะนำ, Arxiv 2023/05, [Paper]
• คำแนะนำในการประมวลผลภาษา (RLP): pretrain แบบครบวงจร, Personalized Prompt & Predict Paradigm (P5), Arxiv 2022/03, [Paper]
• แบบจำลองภาษาเป็นระบบแนะนำ: การประเมินและข้อ จำกัด , Neurips Workshop ICBINB 2021/10, [กระดาษ]
• การเรียนรู้อย่างรวดเร็วสำหรับคำแนะนำข่าว Sigir 2023/04, [Paper]
• LLM-REC: คำแนะนำส่วนบุคคลผ่านการแจ้งรุ่นภาษาขนาดใหญ่ arxiv, 2023/07 [กระดาษ]

chatgpt [ลิงก์]

• chatgpt เป็นผู้แนะนำที่ดีในการศึกษาเบื้องต้น, arxiv 2023/04, [กระดาษ]
• CHATGPT ค้นหาได้ดีหรือไม่? การตรวจสอบรูปแบบภาษาขนาดใหญ่เป็นตัวแทนจัดอันดับใหม่ Arxiv 2023/04, [กระดาษ]
• Chat-REC: ไปสู่ระบบแนะนำ LLMS-Augmented Augmented, Arxiv 2023/04, [กระดาษ]
• คำแนะนำเป็นคำแนะนำต่อไปนี้: รูปแบบภาษาขนาดใหญ่ที่ได้รับการแนะนำวิธีการแนะนำ, Arxiv 2023/05, [กระดาษ]
• ใช้ประโยชน์จากแบบจำลองภาษาขนาดใหญ่ในระบบแนะนำการสนทนา, Arxiv 2023/05, [กระดาษ]
• การเปิดเผยความสามารถของ Chatgpt ในระบบแนะนำ, Arxiv 2023/05, [กระดาษ] [รหัส]
• ประกายไฟของผู้แนะนำทั่วไปเทียม (AGR): การทดลองในช่วงต้นกับ chatgpt, arxiv 2023/05, [กระดาษ]
• CHATGPT ยุติธรรมสำหรับคำแนะนำหรือไม่? การประเมินความเป็นธรรมในคำแนะนำแบบจำลองภาษาขนาดใหญ่ Arxiv 2023/05, [กระดาษ] [รหัส]
• ประกายไฟของผู้แนะนำทั่วไปเทียม (AGR): การทดลองในช่วงต้นกับ chatgpt, arxiv 2023/05, [กระดาษ]
• PALR: LLMS AWARE ส่วนบุคคลสำหรับคำแนะนำ, ArxIV 2023/05, [กระดาษ]
• ระบบผู้แนะนำการรักษาความเป็นส่วนตัวพร้อมการสร้างแบบสอบถามสังเคราะห์โดยใช้โมเดลภาษาขนาดใหญ่ส่วนตัวที่แตกต่างกัน, Arxiv 2023/05, [กระดาษ]
• ทบทวนการประเมินผลการแนะนำการสนทนาในยุคของแบบจำลองภาษาขนาดใหญ่ Arxiv 2023/05, [กระดาษ]
• CTRL: เชื่อมต่อแบบตารางและแบบจำลองภาษาสำหรับการทำนาย CTR, ARXIV 2023/06, [กระดาษ]

ระบบผู้แนะนำหลายรูปแบบ

• VBPR: Visual Bayesian การจัดอันดับส่วนบุคคลจากข้อเสนอแนะโดยนัย AAAI2016, [กระดาษ]
• การฝึกอบรมฝ่ายตรงข้ามที่มีต่อระบบผู้แนะนำมัลติมีเดียที่มีประสิทธิภาพ, TKDE2019, [กระดาษ]
• กราฟความรู้หลายรูปแบบสำหรับระบบผู้แนะนำ, CIKM 2020, [กระดาษ]
• หม้อแปลงแบบหลายโมดอลกลั่นแบบออนไลน์สำหรับคำแนะนำตามลำดับ, ACMMM 2023, [กระดาษ]
• คำแนะนำตามลำดับแบบหลายโมดอลที่ดูแลตนเอง, ArxIV2023/02, [กระดาษ]
• FMMREC: คำแนะนำหลายรูปแบบที่ตระหนักถึงความยุติธรรม, ARXIV2023/10, [กระดาษ]
• คำแนะนำตามลำดับแบบหลายโมดอลที่ดูแลตนเอง, Arxiv 2024/02, [กระดาษ]
• การฝัง ID เป็นคุณสมบัติที่ละเอียดอ่อนของเนื้อหาและโครงสร้างสำหรับคำแนะนำหลายรูปแบบ, ARXIV2023/10, [กระดาษ]
• การปรับปรุง ID และฟิวชั่นข้อความผ่านการฝึกอบรมทางเลือกในคำแนะนำที่ใช้เซสชัน, ARXIV2023/2, [กระดาษ]
• BIVREC: คำแนะนำตามลำดับมุมมองแบบสองทิศทางแบบหลายรูปแบบ， ARXIV2023/2, [กระดาษ]
• แบบจำลองภาษาขนาดใหญ่ปรับปรุงผู้แนะนำตามลำดับสำหรับวิดีโอร่วมและคำแนะนำความคิดเห็น, ARXIV2024/2, [กระดาษ]
• การศึกษาเชิงประจักษ์ของผู้แนะนำผู้แนะนำตามลำดับแบบหลายโมดอล ID-modal, ARXIV2024/3, [กระดาษ]
• โทเค็นความหมายแบบไม่ต่อเนื่องสำหรับการทำนาย CTR ลึก, ArxIV2024/3, [กระดาษ]
• การฝึกอบรมแบบ end-to-end ของโมเดลและรูปแบบการจัดอันดับแบบหลายรูปแบบ ARXIV2023/3, [กระดาษ]

รูปแบบรองพื้นและผู้แนะนำที่สามารถถ่ายโอนได้

• TransRec: การเรียนรู้คำแนะนำที่สามารถถ่ายโอนได้จากข้อเสนอแนะส่วนผสมของโมดูล, arxiv 2022/06, [กระดาษ]
• สู่การเรียนรู้การแสดงลำดับสากลสำหรับระบบผู้แนะนำ, KDD2022,2022/06, [กระดาษ]
• การเรียนรู้การเป็นตัวแทนรายการเวกเตอร์แบบควอด
• UP5: โมเดลพื้นฐานที่ไม่เอนเอียงสำหรับคำแนะนำที่เป็นความยุติธรรม ARXIV 2023/05, [กระดาษ]
• การสำรวจการเรียนรู้การถ่ายโอนอะแดปเตอร์สำหรับระบบผู้แนะนำ: การศึกษาเชิงประจักษ์และข้อมูลเชิงลึกเชิงปฏิบัติ, Arxiv 2023/05, [กระดาษ] [รหัส]
• OpenP5: แบบจำลองการเปรียบเทียบแบบจำลองสำหรับคำแนะนำ, Arxiv 2023/06, [กระดาษ]
• การสร้างแบบจำลองอย่างละเอียดหลายโดเมนคำแนะนำที่ผ่านการฝึกอบรมมาก่อนเป็นภาษา ARXIV 2023/10, [กระดาษ]
• MissRec: การฝึกอบรมก่อนและถ่ายโอนการแสดงลำดับความสนใจแบบหลายรูปแบบสำหรับคำแนะนำ ARXIV 2023/10, [PAPER]
• การแสดงรายการที่ได้รับการฝึกอบรมล่วงหน้าด้วยคำศัพท์ที่ได้รับการฝึกอบรมสำหรับคำแนะนำที่สามารถถ่ายโอนได้ Arxiv 2023/11, [กระดาษ]
• คำแนะนำที่ได้รับการฝึกฝนมาก่อนหลายโดเมนอเนกประสงค์ arxiv 2023/11, [กระดาษ]
• หลายโมเดลเป็นสิ่งที่คุณต้องการสำหรับระบบผู้แนะนำที่สามารถถ่ายโอนได้, Arxiv 2023, [กระดาษ]
• TRANSFR: คำแนะนำที่ได้รับการถ่ายโอนแบบรวมกับแบบจำลองภาษาที่ผ่านการฝึกอบรมมาก่อน ARXIV 2024/02, [กระดาษ]
• ทบทวนคำแนะนำตามลำดับข้ามโดเมนภายใต้สมมติฐานแบบเปิดโล่ง, Arxiv 2024/02, [กระดาษ]
• แบบจำลองภาษาขนาดใหญ่ตรงกับการกรองการทำงานร่วมกัน: ระบบผู้แนะนำที่ใช้ LLM ที่มีประสิทธิภาพทุกรอบ, ARXIV 2024/04, [กระดาษ]
• แบบจำลองภาษาเข้ารหัสสัญญาณการทำงานร่วมกันในคำแนะนำ, Arxiv 2024/07, [กระดาษ]

อเนกประสงค์ทั่วไปสากลการเรียนรู้การเป็นตัวแทนของผู้ใช้ ONE4ALL

• การถ่ายโอนพารามิเตอร์-ประสิทธิภาพจากพฤติกรรมตามลำดับสำหรับการสร้างแบบจำลองผู้ใช้และคำแนะนำ, SIGIR 2020, [กระดาษ], [รหัส]
• การแสดงผู้ใช้ One4all สำหรับระบบผู้แนะนำในอีคอมเมิร์ซ, Arxiv 2021, [กระดาษ]
• การเรียนรู้การเป็นตัวแทนของผู้ใช้ที่ถ่ายโอนได้ด้วยพฤติกรรมตามลำดับผ่านการฝึกอบรมก่อนการฝึกอบรม, ICDM 2021, [กระดาษ]
• การปรับจูนแบบปรับตัวเฉพาะของผู้ใช้สำหรับคำแนะนำข้ามโดเมน, TKDE 2021, [กระดาษ]
• กฎหมายการปรับขนาดสำหรับรูปแบบการแนะนำ: ไปสู่การเป็นตัวแทนผู้ใช้ที่มีวัตถุประสงค์ทั่วไป, AAAI 2023, [กระดาษ]
• U-Bert: การเป็นตัวแทนของผู้ใช้ก่อนการฝึกอบรมสำหรับคำแนะนำที่ได้รับการปรับปรุง, AAAI 2021, [กระดาษ]
• หนึ่งสำหรับทุกคนสำหรับหนึ่ง: การเรียนรู้และการถ่ายโอนผู้ใช้ฝังตัวสำหรับคำแนะนำข้ามโดเมน, WSDM 2022, [กระดาษ]
• Autoencoders Variational Autoiational ที่รับรู้สำหรับการเรียนรู้การเป็นตัวแทนผู้ใช้พันล้าน, ICDE2022, [กระดาษ]
• การเรียนรู้การเป็นตัวแทนผู้ใช้สากลขนาดใหญ่ด้วยส่วนผสมที่กระจัดกระจายของผู้เชี่ยวชาญ ICML2022workshop, [กระดาษ]
• การเป็นตัวแทนผู้ใช้ Multi DataSource LTV (MDLUR), KDD2023, [กระดาษ]
• บทบาทสำคัญของการสร้างแบบจำลองภาษาในระบบผู้แนะนำ: เพิ่มคุณค่าการเรียนรู้การเป็นตัวแทนของงานและงานที่ไม่เชื่อเรื่องพระเจ้า ArxIV2022/12, [กระดาษ]
• การสร้างแบบจำลองผู้ใช้และการทำโปรไฟล์ผู้ใช้: การสำรวจที่ครอบคลุม, 2024/02, [กระดาษ]
• การเป็นตัวแทนผู้ใช้ทั่วไปสำหรับการเรียนรู้การถ่ายโอน, Arxiv 2024/03, [กระดาษ]
• การเชื่อมโยงภาษาและรายการสำหรับการดึงและคำแนะนำ， arxiv 2024/04, [กระดาษ]

การเรียนรู้การเป็นตัวแทนผู้ใช้สากลตลอดชีวิต

• หนึ่งคนรุ่นเดียวโลก: การเรียนรู้การเป็นตัวแทนผู้ใช้อย่างต่อเนื่องโดยไม่ลืม Sigir 2021, [กระดาษ], [รหัส]
• Tenrec: ชุดข้อมูลมาตรฐานอเนกประสงค์ขนาดใหญ่สำหรับระบบผู้แนะนำ, Neurips 2022 [กระดาษ]
• Stan: เครือข่ายการปรับขั้นตอนสำหรับคำแนะนำหลายงานโดยการเรียนรู้การเป็นตัวแทนของผู้ใช้วงจรชีวิต, Recsys 2023, [Paper]
• การเรียนรู้การเป็นตัวแทนการเป็นตัวแทนของผู้ใช้อย่างต่อเนื่อง, KDD2023, [Paper]
• RELLA: แบบจำลองภาษาขนาดใหญ่ที่ได้รับการปรับปรุงเพื่อความเข้าใจพฤติกรรมตามลำดับตลอดชีวิตในคำแนะนำ, ARXIV2023/08, [กระดาษ]

ระบบแนะนำ Generative [ลิงก์]

• เครือข่ายการกำเนิด convolutional อย่างง่ายสำหรับคำแนะนำรายการถัดไป, WSDM 2018/08, [กระดาษ] [รหัส]
• ข้อมูลในอนาคตช่วยการฝึกอบรม: การสร้างแบบจำลองบริบทในอนาคตสำหรับคำแนะนำตามเซสชัน www 2020/04, [กระดาษ] [รหัส]
• คำแนะนำผ่านโมเดลการแพร่กระจายแบบทำงานร่วมกัน KSEM 2022/08, [Paper]
• โมเดลกระบวนการที่คมชัดเบลอสำหรับการกรองการทำงานร่วมกัน, Arxiv 2022/09, [กระดาษ]
• คำแนะนำกระดานชนวน Generative พร้อมการเรียนรู้เสริมแรง, Arxiv 2023/01, [กระดาษ]
• ระบบแนะนำที่มีการดึงข้อมูลแบบกำเนิด, Arxiv 2023/04, [Paper]
• diffurec: แบบจำลองการแพร่กระจายสำหรับคำแนะนำตามลำดับ, arxiv 2023/04, [กระดาษ]
• แบบจำลองผู้แนะนำการแพร่กระจาย, Arxiv 2023/04, [กระดาษ]
• การดูครั้งแรกที่คำแนะนำข่าวทั่วไปของ LLM, ARXIV 2023/05, [กระดาษ]
• ระบบแนะนำที่มีการดึงข้อมูลแบบกำเนิด, Arxiv 2023/05, [Paper]
• การดึงข้อมูลแบบกำเนิดเป็นการดึงข้อมูลหนาแน่น, arxiv 2023/06, [กระดาษ]
• Recfusion: กระบวนการแพร่กระจายแบบทวินามสำหรับข้อมูล 1D สำหรับคำแนะนำ, Arxiv 2023/06, [กระดาษ]
• คำแนะนำตามลำดับกำเนิดด้วย GPTREC, SIGIR Workshop 2023, [PAPER]
• แฟน ๆ : การสร้างลำดับที่ไม่ได้เป็นแบบไม่เร่งรีบสำหรับรายการต่อเนื่องรายการ, www 2023, [กระดาษ]
• คำแนะนำเกี่ยวกับแถบถัดไป Generative, Recsys 2023
• แบบจำลองภาษาขนาดใหญ่คำแนะนำที่ขับเคลื่อนด้วยการเล่าเรื่อง, Recsys 2023, [Paper]
• LIGHTLM: แบบจำลองภาษาที่มีน้ำหนักเบาและแคบคำแนะนำการให้อภัย ARXIV 2023/10, [กระดาษ]

ทรัพยากรที่เกี่ยวข้อง:

• Xiangyang li github [ลิงก์]
• Nancheng58i GitHub [ลิงก์]
• Enoche GitHub [ลิงก์]
• Wlik GitHub [ลิงก์]
• https://github.com/chiangel/awesome-llm-for-recsys
• https://medium.com/@lifengyi_6964/a-large-scale-short-video-recommender-system-dataset-160fdfe81b79
• https://medium.com/@lifengyi_6964/rethinking-the-id-paradigm-in-recommender-systems-the-rise-of-modality-98F449DEC016
• https://medium.com/@lifengyi_6964/one-model-for-all-universal-recommender-system-82dab214a07d
• https://zhuanlan.zhihu.com/p/437671278
• https://zhuanlan.zhihu.com/p/675213913
• https://zhuanlan.zhihu.com/p/684805058
• https://zhuanlan.zhihu.com/p/665467596