.png){kind=icon}
返回
Language Model Evolutionary Algorithms for Recommender Systems: Benchmarks and Algorithm Comparisons
.png){kind=icon}
PRE
AI
DOI：10.1109/tevc.2025.3609058.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在进化计算领域，大型语言模型（LLMs）出色的语言处理能力和推理能力显著增强了进化算法（EAs）的功能，使其能够解决涉及结构化语言或程序代码的优化问题。尽管该领域仍处于早期阶段，但其巨大潜力已推动开发出多种基于LLMs的EAs。为有效评估这些基于LLMs的EAs的性能和实际适用性，具有现实相关性的基准测试至关重要。本文聚焦于基于LLMs的推荐系统（RSs），并引入一个名为RSBench的基准问题集，专门用于评估基于LLMs的EAs在推荐提示优化中的性能。RSBench强调会话式推荐，旨在发现一组帕累托最优提示，以引导推荐过程，提供准确、多样且公平的推荐。我们基于现有EA框架开发了三种基于LLMs的EAs，并使用RSBench实验评估了它们的性能。本研究为基于LLMs的RSs中EAs的应用提供了宝贵见解。此外，我们探讨了可能影响RS整体性能的关键组件，为未来基于LLMs的EAs在RSs中的发展研究提供了有意义的指导。所提出的RSBench的源代码可在https://github.com/LiuJ-2023/RSBench/tree/main找到。
Keyword:
Optimization
Evolutionary computation
Codes
Pareto optimization
Benchmark testing
Recommender systems
Portable computers
Closed box
Vectors
Training
evolutionary algorithm (EA)
large-language models (LLMs)
multiobjective optimization
recommender systems (RSs)
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
查看更多机构
引用论文
暂无论文信息