.png){kind=icon}
返回
Active learning for LLM-based recommender systems
.png){kind=icon}
PRE
AI
DOI：10.1007/s10844-026-01048-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大型语言模型（LLMs）快速发展的背景下，推荐系统正经历着变革性的转变。传统推荐方法难以深入捕捉用户意图，并在数据稀疏场景下表现出有限的泛化能力。GPT-4和LLaMA等LLMs因其丰富的世界知识和强大的推理能力，已吸引越来越多研究者探索其在推荐任务中的应用。然而，由于自然语言处理与个性化推荐之间存在显著差异，LLMs无法直接应用于推荐场景。尽管指令微调和参数高效微调等技术在一定程度上缓解了这一问题，但仍面临样本利用效率低和资源消耗高等挑战。为解决这些问题，本文提出了一种面向LLM推荐系统的主动学习框架ALLRec。该方法基于LLMs推理阶段生成的损失值评估训练样本的信息量，动态选择关键样本以提高训练效率。此外，我们设计了一个与主LLMs解耦的多样性学习模块，通过捕捉样本间的结构和语义差异来增强所选样本在数据分布中的多样性。在可控资源约束下，ALLRec通过联合建模信息量和多样性有效识别高价值样本。实验结果表明，ALLRec显著加速了模型收敛并提升了多个基准数据集上的推荐性能，验证了其在LLM推荐系统中的潜力。
Keyword:
Active learning
LLM-based recommender systems
Diversity
Training efficiency
期刊
J
IF:
3.4
论文数:
78
被引数:
0
机构
引用论文
Reinforcement Learning-based Recommender Systems with Large Language Models for State Reward and Action Modeling基于强化学习的大语言模型推荐系统：状态奖励与动作建模
OAAI
.png){kind=icon}
OAAI分享收藏
分享收藏Meta learning-based relevant user identification and aggregation for cold-start recommendation基于元学习的方法进行相关用户识别与聚合，以解决冷启动推荐问题
PREAI
分享收藏分享收藏RecRanker: Instruction Tuning Large Language Model as Ranker for Top-k RecommendationRecRanker: 指令调优大型语言模型作为top-k推荐的RankerOAAI
OAAI分享收藏Correction to: Evaluating user story quality with LLMs: a comparative studyCorrection to: 评估用户故事质量与大型语言模型：一项比较研究
PREAI
分享收藏
查看更多内容