判别式 LLM 推荐

概述

使用 LLM 进行判别式推荐（分类/排序）的范式，将推荐建模为预测用户对物品偏好的判别任务而非生成任务。

关键内容

1. 范式定义：判别式 LLM 推荐（DLLM4Rec）将推荐建模为判别任务——给定用户和物品，预测用户是否喜欢该物品（二分类）或预测评分（回归），而非生成式地产生推荐结果。

2. 与生成式推荐 (LLM)的对比：

3. 生成式：输入 Prompt，输出物品 ID 或推荐文本（如 P5 的 "item_92"）

4. 判别式：输入用户-物品对，输出偏好分数或分类标签（如 "Yes/No" 或评分）

5. 与生成式 LLM 推荐的关系：Wu 等人的综述将 LLM 推荐方法分为判别式（DLLM4Rec）和生成式（GLLM4Rec）两大范式。判别式侧重预测准确性，生成式侧重灵活性和可解释性。

6. 技术特点：

7. 通常使用 LLM 的嵌入表示能力编码用户和物品特征
8. 在 LLM 之上添加分类头或回归头
9. 训练目标多为二元交叉熵或RMSE

10. 推理效率通常优于生成式方案

11. 与CTR 预估的关系：判别式 LLM 推荐可视为传统CTR 预估的 LLM 化升级，用 LLM 的语义理解能力增强特征表示。

12. 与Pointwise 学习的关系：判别式 LLM 推荐通常采用 pointwise 学习目标，逐个预测用户-物品对的偏好。

来源

• Wu et al. — A Survey on Large Language Models for Recommendation, ACM TOIS 2024

相关

• 生成式推荐 (LLM) — 对立范式
• 生成式 LLM 推荐 — 同属 LLM 推荐的另一分支
• CTR 预估 — 判别式推荐的传统形式
• Pointwise 学习 — 判别式 LLM 推荐的学习方式
• 二元交叉熵 — 判别式 LLM 推荐的损失函数
• RMSE — 判别式 LLM 推荐的回归指标
• 嵌入表示 — 判别式 LLM 推荐的特征编码方式