摘要
文章针对用户评分预测这一经典任务,对LLMs进行了全面而深入的研究.该研究旨在根据用户的历史评分数据,预测其对候选项目的评分.文中系统探讨了不同LLMs与传统推荐方法在用户历史行为和项目信息量变化的情况下的性能.在充分考虑用户历史行为和项目信息的前提下,通过综合对比分析,结果表明:当参数规模足够大时,LLMs在评分预测中的RMSE值和MAE值分别较传统协同过滤方法降低了0.054和0.051.这一研究结果进一步强调了用户交互数据和项目信息在预测评分中的重要性,并突显了模型规模对提高用户评分预测性能的关键作用.
基金项目
海南省院士创新平台科研专项(YSPTZX202144)
海南省自然科学基金(621QN270)
海南省高等学校教育教学改革研究项目(Hnjg2023ZD-44)
维普
万方数据