2401.03605.md

背景

• 背景
  文章中提到了在线内容数量的巨大增加，使得推荐系统成为处理信息过载的关键工具。然而，现有的推荐算法往往忽略了直接用户输入，导致人机互动表面化。一些系统尝试通过对话直接包含用户进入推荐过程，但这些系统的互动性仍然有限。

• 已有的工作 现有的推荐系统无法直接学习用户反馈。尽管最近的大型语言模型（LLMs）像ChatGPT因其易用性和对反馈的响应能力而流行起来，但是对于它们作为对话式推荐系统的研究还相当有限。

核心贡献

• 提出了一个基于ChatGPT的对话推荐系统

  • 挑战1：如何有效地利用ChatGPT的对话能力进行推荐 论文构建了围绕ChatGPT的严格流程来模拟用户如何实际探询模型以获得推荐：首先通过指令，然后通过反馈重新提示以细化一组推荐。

  • 挑战2：了解并缓解ChatGPT推荐中的流行偏见 研究发现，通过反馈重新提示ChatGPT是提高推荐相关性的有效策略，且通过提示工程可以缓解流行偏见。

实现与部署

文章提出的流程既能评估ChatGPT的推荐能力，也可以实际用于为用户精炼推荐集。这个流程包括了使用迭代反馈的提示工程方法以及评估ChatGPT作为Top-n推荐器的实验。通过与基线模型的比较，发现通过用户反馈重新提示ChatGPT能有效提高推荐的相关性。此外，文章也研究了ChatGPT推荐中的流行偏见，并提出可能的缓解策略。

总结

该论文探索了ChatGPT作为对话推荐系统的有效性。通过构建围绕ChatGPT的流程，模拟用户实际使用情景，并对流行偏见进行了研究和缓解。