见面RecMind：一种由大型语言模型技术驱动的自主推荐代理，结合了推理、行动和记忆的各种推荐任务
RecMind是一种由大型语言模型技术驱动的自主推荐代理，能够完成各种推荐任务，包括推理、行动和记忆的结合
随着人工智能和深度学习的普及，几乎每个应用都在利用人工智能的能力来完成任务。深度神经网络（DNN）在现代化推荐系统中起着重要作用。推荐系统是许多在线平台的重要组成部分，例如搜索引擎、电子商务网站、社交媒体网络和电影音乐流媒体服务。它的主要任务是通过分析用户过去在平台上的产品互动和使用情况，利用这些信息来推荐用户未来可能会互动的产品，从而提高用户参与度和体验。
过去，推荐系统使用了许多算法和方法，但最近将深度神经网络（DNN）纳入其设计中大大增强了其功能。它们擅长捕捉人、物和连续用户行为的复杂表示和模式。通过这一发展，推荐变得更加精确和独特，但仍存在一定的限制。许多现有的推荐系统，特别是那些基于卷积神经网络（CNN）、长短期记忆（LSTM）和预训练语言模型（如BERT）的DNN构建的系统，需要有效地捕捉用户和物品的文本知识。其次，大多数推荐系统技术是针对特定的推荐任务而创建的，可能不适用于其他未知的推荐任务。
为了克服这些挑战，一组研究人员提出了RecMind，一种由大型语言模型驱动的自主推荐代理。该代理通过使用战略规划、获取知识的外部工具和个性化数据，擅长进行精确的个性化推荐。RecMind引入的关键创新之一是自启发算法，旨在增强基于LLM的代理的规划能力。LLM会自动“自启发”，以在确定下一个计划移动时考虑所有先前探索过的状态。这种方法极大地提高了模型在制定推荐时有效地掌握和使用过去的规划数据的能力。基于LLM的推荐系统中的这种自启发功能是一个重要的发展。
RecMind在各种推荐场景中进行了全面评估，包括：
- 评分预测-预测消费者对特定事物的评价。
- 顺序推荐-根据用户的喜好以特定顺序推荐商品。
- 直接推荐-向用户提供直接的物品推荐。
- 解释生成-概述特定推荐背后的理由。
- 评论摘要-整理用户对某个产品的评论。
在评估过程中，研究团队分享了实验结果，表明RecMind在各种基于任务的推荐中优于当前的零和少样例LLM-based推荐技术。它也优于一种名为P5的最新模型，该模型需要经过专门为推荐任务设计的全面预训练过程。
以下是研究的主要贡献：
- 本研究是LLM驱动的自主推荐代理的开发先驱。介绍了RecMind，这是一个将推理、行动和记忆结合在一起用于各种推荐任务的代理框架。
- 提出了一种自启发规划技术，通过整合多个推理路径，优于常见的思维链和思维树等方法。
- 评估了RecMind在五种推荐场景中的有效性，RecMind展示了令人惊叹的结果。
