2312.10463.md

背景

• 背景
  文章介绍了个性化新闻推荐系统对新闻消费方式的影响，强调了精确理解新闻文章内容的重要性，并探讨了大型语言模型（LLMs）如 GPT-4 在新闻推荐系统中准确匹配新闻内容与用户兴趣的潜力。

• 已有的工作 现有的研究工作未能充分利用LLMs在个性化新闻推荐中的优势，特别是在动态捕捉用户兴趣和提供高相关性推荐方面。

核心贡献

• 提出了一个新框架RecPrompt

  • 挑战1：优化新闻推荐系统以更有效捕获用户兴趣 现有系统使用简单提示无法高效捕获用户兴趣，RecPrompt通过手动迭代精炼提示，结合LLMs评估和用户行为反馈，进一步优化提示模板，以提升推荐性能。

  • 挑战2：自动化提示调整过程减少手动精炼需求 手动调整提示是繁重的，RecPrompt引入了另一个LLM进行提示优化，通过观察样本和指令来自动生成更优的提示模板，从而提升推荐系统的效能。

实现与部署

根据实验结果，使用RecPrompt进行的GPT-4和GPT-3.5的对比显示，两种提示策略均能显著提升推荐性能，且GPT-4在自动生成的提示模板下的表现优于所有深度神经模型。这表明LLM选择对新闻推荐效果影响很大，且GPT-4在主题提取和概括方面的能力使其性能超过传统方法和前代模型GPT-3.5。

总结

这篇论文提出了RecPrompt模型，利用LLM对新闻推荐进行优化。通过手动和LLM自动生成的提示模板的迭代优化过程，显著提高了新闻推荐性能，尤其是在使用GPT-4进行自动生成的提示模板下。然而，这种方法并非总是能超越传统的推荐方法，且推荐效果受到LLM选择的显著影响。