改进序列推荐系统性能的扩展大语言模型方法

近年来，人工智能领域竞争加剧，主要技术机构持续发布具有更强语言理解和上下文推理能力的大语言模型。预期这些进展将通过改进训练数据质量和架构设计，在基于大语言模型的推荐系统中实现更高效的个性化推荐。然而，许多研究尚未考虑这些最新发展。

本研究提出在LlamaRec框架中用Llama3替代Llama2来改进基于大语言模型的推荐系统。为确保公平比较，在预处理和训练过程中设置了随机种子值并提供相同输入数据。实验结果显示，在ML-100K、Beauty和Games数据集上分别实现了38.65%、8.69%和8.19%的平均性能提升，从而证实了该方法的实用性。

值得注意的是，通过模型替换实现的显著改进表明，无需对系统进行结构改变即可经济高效地提升推荐质量。基于这些结果，我们认为所提出的方法是改进当前推荐系统性能的可行解决方案。

实验设计：

• 使用相同预处理流程确保数据一致性
• 固定随机种子控制实验可重复性
• 采用相同评估指标进行性能对比

关键发现：

• 模型替换带来显著性能提升
• 无需修改系统架构即可实现改进
• 该方法具有成本效益和实用性

这项研究为推荐系统的发展提供了重要见解，展示了通过模型升级而非系统重构来提升性能的可行途径。