DEALRec

概述

通过数据剪枝方法提升 LLM 推荐的训练效率，减少冗余训练数据同时保持推荐性能。

关键内容

1. 核心问题：LLM 推荐模型（如 P5 范式）需要大量训练数据，但并非所有数据对模型学习都有同等贡献。DEALRec 通过数据剪枝识别和保留最有价值的训练样本。

2. 技术方法：通过数据剪枝（data pruning）方法筛选训练数据，去除冗余或低信息量的样本，提升 LLM 推荐的训练效率。

3. 在 LLM 推荐谱系中的位置：属于生成式 LLM 推荐范式，关注训练效率优化，与 TALLRec、InstructRec、LC-Rec 等工作共同推动了 LLM 推荐的实用化。

4. 实际意义：对于大规模工业场景，数据剪枝可以显著降低训练成本，使 LLM 推荐方案更具可行性。

来源

• DEALRec 论文 — Data Pruning for Efficient LLM-based Recommendation
• Shijie Geng et al. — P5: Recommendation as Language Processing, RecSys 2022

相关

• P5 论文 — DEALRec 的思想来源
• 生成式 LLM 推荐 — DEALRec 所属范式
• 多任务学习 — DEALRec 优化的训练策略
• TALLRec — 同期的 LLM 推荐工作
• InstructRec — 同期的 LLM 推荐工作