Zero-shot 推荐

概述

模型在面对从未见过的 Prompt 格式或推荐场景时仍能给出合理推荐的能力，由 P5 论文首次在推荐系统中系统展示。

关键内容

1. 概念定义：Zero-shot 推荐指模型在训练阶段未见过特定 Prompt 模板或任务格式的情况下，仅凭对语言的理解自行组织合适的对话来完成推荐任务的能力。这是传统推荐模型完全不具备的。

2. P5 中的验证：P5 论文 设计了 47 个个性化 Prompt 模板覆盖五类任务家族，采用部分采样训练策略——对每条原始数据只采样部分 Prompt 模板进行训练，保留一些模板作为 zero-shot 评估使用。实验证明，无论使用训练中见过的还是未见过的 Prompt 模板，P5 都能取得相近的性能。

3. 与传统冷启动问题的区别：冷启动问题关注新用户/新物品缺乏交互历史时的推荐，而 zero-shot 推荐关注模型对新任务格式/新 Prompt 的泛化能力，两者解决的是不同层面的泛化问题。

4. 实现机制：通过多样化措辞的 Prompt 模板训练增强模型鲁棒性；语言作为统一媒介使模型能够理解未见过的任务描述；预训练语言模型本身的 zero-shot 能力迁移到推荐场景。

5. 意义：暗示了一种更灵活、更可扩展的推荐交互方式的可能性——用户可以用自然语言描述新的推荐需求，模型无需重新训练即可适配。

6. 后续发展：现代 LLM 推荐方案（如 TALLRec、InstructRec）通过指令调优进一步增强了 zero-shot 能力，使模型能够遵循更复杂的指令完成推荐任务。

来源

• Shijie Geng et al. — P5: Recommendation as Language Processing, RecSys 2022 (arXiv:2203.13366)

相关

• P5 论文 — 首次系统展示 zero-shot 推荐能力
• 生成式推荐 — zero-shot 推荐的范式基础
• 个性化 Prompt — zero-shot 推荐的技术手段
• 冷启动问题 — 不同层面的泛化问题
• 指令调优 — 进一步增强 zero-shot 能力的方法
• TALLRec — 展示 zero-shot 能力的 LLM 推荐工作
• InstructRec — 通过指令调优增强 zero-shot 能力