GLoSS

概述

在序列推荐任务上超越 P5 的后续专用模型，在相同数据集上取得了更好的 Recall@5 指标。

关键内容

1. 与 P5 的对比：在序列推荐任务上，GLoSS 在 Amazon Reviews 数据集上取得了比 P5 更好的 Recall@5 指标，说明在某些具体任务上，专用模型仍然可以超越统一模型。

2. 技术定位：GLoSS 是为序列推荐任务精心设计的专用模型，而非像 P5 那样的统一多任务模型。这验证了 P5 论文中提到的局限性——"在某些具体任务上，它仍然无法完全匹敌为该任务精心设计的专用模型"。

3. 在推荐系统谱系中的位置：属于序列推荐方向的专用模型，与 SASRec、BERT4Rec、GRU4Rec 等工作属于同一技术路线。

4. 对 P5 范式的启示：GLoSS 的成功说明统一模型和专用模型各有优势——统一模型胜在通用性和灵活性，专用模型在特定任务上可能更优。未来的方向可能是两者的结合。

来源

• GLoSS 论文 — Generative Language Model for Sequential Recommendation
• Shijie Geng et al. — P5: Recommendation as Language Processing, RecSys 2022

相关

• P5 论文 — GLoSS 超越的统一模型
• 序列推荐 — GLoSS 服务的任务
• SASRec — 序列推荐的专用模型
• BERT4Rec — 序列推荐的专用模型
• GRU4Rec — 序列推荐的专用模型