RecAI

RecAI 项目介绍

项目背景

在人工智能领域，大型语言模型（LLMs） 为新一代推荐系统的开发提供了巨大的潜力，尤其是在提升交互性、可解释性和可控性方面。然而，由于缺乏特定领域的知识，通用型LLM直接应用于推荐领域并不可行。RecAI项目旨在通过研究各种策略，将LLM融入到推荐系统中，从而弥合这一差距。这种整合被称为LLM4Rec。

项目目标

RecAI项目的目标是通过全方位的视角和方法，反映出真实世界对LLM4Rec的需求。通过全局视角，项目希望将LLM4Rec的大部分实际需求整合到一种或多种技术之中，最终创建出更智能、互动和以用户为中心的推荐系统。

核心技术

1. 推荐AI代理（Recommender AI Agent）

   推荐AI代理结合了LLMs和传统推荐模型的优势。LLMs提供自然的交互和智能响应，但缺乏领域特定的专长；而传统推荐系统在域内数据训练方面出众，但局限于结构化数据，缺乏交互性。该技术将传统模型如矩阵分解转化为对话式、互动性强、可解释的推荐系统。

2. 选择性知识插件（Selective Knowledge Plugin）

   为增强LLM在特定领域的能力，而不对模型进行微调，通过提示向LLMs注入选择性知识。这种方法实现了向LLMs中注入大规模、不断发展的特定领域数据模式。

3. 嵌入RecLM（Embedding RecLM）

   在多种情境下，包括推荐系统和检索扩展生成，密集检索是一个关键组成部分。RecLM-emb专注于为了检索目标进行优化的嵌入，将任何文本形式的数据（如搜索查询、商品描述和用户指令）嵌入到检索之中。

4. 生成式RecLM（Generative RecLM）

   针对特定领域的数据模式，将通用的语言模型调整为推荐器。通过监督式微调和强化学习，提高其遵循指令的能力。这适用于评级员、对话推荐器和用户模拟器等应用。

5. 模型解释器（Model Explainer）

   深度学习驱动的推荐系统因其高效性被广泛应用，但往往缺乏可解释性，不够透明。RecExplainer利用LLMs作为代理模型，以理解和模仿目标推荐模型，实现推荐系统的新解释方式。

6. RecLM评估器（RecLM Evaluator）

   评估是识别模型能力和需改进领域的关键。随着语言模型作为推荐器的出现，评估方法与传统方式差异显著。RecLM Evaluator提供全面的评估服务，包括检索、排序、解释能力和通用AI能力的评估，支持训练好的LLM或API（如Azure OpenAI API）。

贡献与合作

RecAI项目欢迎各类贡献与建议。贡献者须同意一份贡献者许可协议（CLA），以确保有权并实际授权使用其贡献。此项目采用微软开源行为守则，以确保合作环境。

许可

RecAI项目在MIT许可下使用，用户可根据条件自由使用并修改项目内容。

致谢

感谢以下项目的开源代码支持：

• UniRec
• VisualChatGPT
• JARVIS
• LangChain
• guidance
• FlagEmbedding

责任AI常见问题解答

请参阅RecAI: Responsible AI FAQ，以了解有关RecAI系统的目的、能力和局限性的更多信息。

引用

如果该项目对您的研究有帮助，请在相关研究中引用其论文：

@article{lian2024recai,
  title={RecAI: Leveraging Large Language Models for Next-Generation Recommender Systems},
  author={Lian, Jianxun and Lei, Yuxuan and Huang, Xu and Yao, Jing and Xu, Wei and Xie, Xing},
  journal={arXiv preprint arXiv:2403.06465},
  year={2024}
}