个性化 Prompt

概述

P5 论文提出的核心技术，将用户ID、物品ID、交互历史等个性化信息转化为自然语言序列嵌入 Prompt 模板中。

关键内容

1. 核心原则：将所有个性化信息（用户ID、物品ID、交互历史、评分、评论文本）转化为自然语言序列，嵌入到 Prompt 模板中，使语言模型能够同时理解任务描述和用户/物品的个性化特征。

2. 模板设计策略：

3. 多样化措辞：同一任务设计多个不同措辞的 Prompt 模板，增强模型鲁棒性
4. 部分采样训练：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 推荐 评估使用
5. 负采样策略：在序列推荐和直接推荐任务中，随机采样负样本物品填充到需要候选列表的 Prompt 中

6. 混合训练：预训练阶段将所有任务家族的输入-输出对混合在一起进行多任务学习

7. 示例模板：

8. 评分预测："Which star rating will user_15 give item_25? (1 being lowest and 5 being highest)" → "3"
9. 序列推荐："User_32 has purchased item_21, item_45, item_78 in order. What is the next item the user will purchase?" → "item_92"
10. 解释生成："Generate an explanation for user_15 about why item_25 is recommended." → 自然语言解释

11. 直接推荐："Will user_15 like item_25? Yes or No?" → "Yes"

12. 47个 Prompt 模板：P5 设计了总计 47 个个性化 Prompt 模板，覆盖评分预测、序列推荐、解释生成、评论摘要、直接推荐五个任务家族。

13. 与指令调优的关系：Prompt 模板是 P5（2022）时代的任务统一方式，后续工作如 InstructRec 和 TALLRec 转向指令调优（Instruction Tuning），用更灵活的指令格式替代固定模板。

来源

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

相关

• P5 论文 — 提出个性化 Prompt 的论文
• 生成式推荐 (LLM) — 个性化 Prompt 服务的范式
• Zero-shot 推荐 — 个性化 Prompt 部分采样训练带来的能力
• T5 — 使用个性化 Prompt 的骨干模型
• 指令调优 — 替代 Prompt 模板的现代方法
• InstructRec — 使用指令调优的后续工作
• TALLRec — 使用指令调优的后续工作