ChatGPT：推荐系统的颠覆者？阿里团队的研究带你揭开神秘面纱 ... ... ...

       当ChatGPT在自然语言处理领域大显神威之后，你有没有想过，暂时岁月静好的推荐系统是否也在紧张地等待，来自那些强大AI模型的压力会不会让它们瞬间黯然失色？这是一个值得我们深思的问题，让我们跟随这篇论文一起来揭开这个谜团吧。

论文题目：Is ChatGPT a Good Recommender? A Preliminary Study

  研究者们精心设计了一系列实验，全面评估了ChatGPT在五个不同推荐场景中的表现，包括评分预测、序列推荐、直接推荐、解释生成和评论总结。结果显示，ChatGPT在某些任务中已经展现出不错的效果，而在某些任务中则低于基线水平，但人类评估显示，ChatGPT不仅能够真正理解提供的信息，还能生成更清晰、更有说服力的结果。这项研究的成果揭示了CatGPT在推荐系统领域的巨大潜力，为未来的研究提供了新的方向和灵感。

  在推荐系统领域，传统的方法往往被束缚在任务特定的框架内，缺乏灵活性和泛化能力。然而，ChatGPT这样的大规模语言模型，其在推荐任务中的潜力却尚未被充分挖掘。

  受P5项目启发，作者将ChatGPT视为一个独立的推荐系统，并全面评估了其在各类推荐任务中的性能。虽然ChatGPT在准确性上的表现并不理想，但在解释生成和评论总结等任务中，其人工评估的性能却超越了现有方法。这引发了我们对评价方法是否能准确反映ChatGPT真实推荐能力的思考。

  值得一提的是，ChatGPT并未接受任何特定的推荐数据训练，这意味着通过引入更多相关的训练数据和技术，其性能有巨大的提升空间。

  使用ChatGPT完成推荐任务的工作流程如下图所示，主要包括三个步骤：

1. 根据推荐任务的特定特性构建不同的prompts。
2. 这些prompts被用作ChatGPT的输入，ChatGPT根据prompts中指定的要求生成推荐结果。
3. 由ChatGPT输出的结果被Refinement Module检查和修正，符合要求的结果被返回给用户作为最终的推荐结果。

  每个prompt由三部分组成：任务描述、行为注入和格式指示。任务描述将推荐任务转化为自然语言处理任务，行为注入包含用户与item的交互信息，帮助ChatGPT更有效地捕获用户的偏好和需求，格式指示则约束输出格式，使推荐结果更易于理解和评估。

  针对五种不同的推荐任务，论文给出了对应的prompt示例，黑色文本 代表任务描述，红色文本 表示格式要求，蓝色文本 代表用户历史行为信息，灰色文本 则表示CatGPT的输入。

• 评分预估： 预估用户对特定item的评分。

• 序列推荐： 基于用户的历史行为序列来预测用户可能感兴趣的下一个item。

• 直接推荐： 基于用户提供的明确反馈，直接向用户推荐他们可能感兴趣的项目。

• 解释生成： 是一种为用户或系统设计者提供解释的过程，阐明推荐理由，以提升推荐系统的透明度、可信度，并帮助优化推荐算法。

• 评论总结： 通过分析用户评论，自动生成反映核心观点的简洁摘要，以帮助用户或系统快速理解原始评论的主要信息。

  ChatGPT在生成响应时融入了随机性，这可能导致对同一输入产生不同的响应，给推荐项目的评估带来困难。为解决这个问题，作者设计了一个Refinement Module来检查和修正ChatGPT的输出格式。如果输出未通过格式检查，将根据预定义的规则进行修改，或者重新进行推荐，直到满足格式要求。

         对于序列推荐和直接推荐，ChatGPT输出的结果可能不在item候选池中。针对此问题，作者引入了一种基于相似性的文本匹配方法，将ChatGPT的预测映射回原始数据集，尽管这种方法可能无法完美反映ChatGPT的能力，但它仍然可以间接展示其在序列推荐和直接推荐中的潜力。

  为了评估ChatGPT，作者在 Amazon数据集的Beauty类目上进行了实验，并与其他方法进行了比较，旨在回答以下研究问题：

• RQ1： 与最先进的基线模型相比，ChatGPT的表现如何？
• RQ2： 少量提示（few-shot prompting）对性能的影响是什么？
• RQ3： 如何设计人类评估来评估解释生成和评论总结任务的性能？

• 评分预测： RMSE (Root Mean Square Error)、MAE (Mean Absolute Error)
• 序列推荐和直接推荐： HR@k (top-k Hit Ratio)、NDCG@k (top-k Normalized Discounted Cumulative Gain)
• 解释生成和评论总结： BLEU-n (n-gram Bilingual Evaluation Understudy)、ROUGE-n（n-gram Recall-Roiented Understudy for Gising Evaluation）、人工评估

  作者使用gpt-3.5-turbo，通过收集用户已经交互过的n个item和k条历史记录（受4096 tokens的限制，n=10，k=3），让其隐式地学习用户的兴趣。item的标题被用作元信息输入到ChatGPT中。

  在序列推荐中，我们按时间顺序输入用户历史交互过的item，让ChatGPT预测用户可能会交互的下一个item的标题。然后使用BERT计算预测标题的向量，并计算预测标题向量和候选池中所有item的标题向量之间的相似性，选择相似性最高item作为预测的item。

  对于解释生成和评论总结的人类评估，我们抽取不同方法的产出结果，每个结果将由3个人类评估者进行评分和排名。在获得人工评估的结果后，我们将计算不同方法的平均top1比率和平均排名位置，以衡量对比各种方法的生成性能。

  如Table 1所示，使用ChatGPT进行评分预估是可行的，在某些情况下，其性能甚至优于传统的评分预估方法。

  如Table 2所示，ChatGPT在序列推荐任务中的性能不佳。究其原因，首先是其过于关注语义相似性而忽视了item间的转换关系；另外，由于prompt长度限制，无法将所有item候选列表输入给ChatGPT，导致预测结果可能并不存在。因此，仅使用ChatGPT进行序列推荐并不理想，需要进一步改进和研究。

  如Table 3所示，ChatGPT在直接推荐任务上的表现不佳。主要表现在两个方面：一是无法准确捕捉用户兴趣，尽管尝试通过提供用户历史偏好来提升性能，但其表现仍无法超越基线。二是对候选列表中item的位置存在偏见，候选列表的构建方式，如是否打乱，对推荐性能有显著影响。这些因素使得使用ChatGPT进行直接推荐具有一定的挑战性。

  如Table 4和Table 5所示，在解释生成和评论总结任务的客观指标评估中，ChatGPT性能表现不佳。
为了更全面地评估不同模型在生成内容方面的性能，作者引入了人类评估作为衡量标准。

  如Table 6和Figure 4所示，在解释生成任务中，尽管存在主观性，但评分者普遍认为ChatGPT生成的解释更清晰、更合理，甚至超越了基准真实值。

  如Table 7和Figure 5所示，在评论总结任务中，ChatGPT能真正深入理解评论内容，并提供准确的摘要，而非仅仅提取评论中的关键词。所有评分者一致认为，ChatGPT在这方面的表现甚至优于基准真实值。

  这些结果充分展示了ChatGPT在理解和生成语言方面的强大能力。

  如果对AIGC感兴趣，请关注我们的微信公众号“我有魔法WYMF”，我们会定期分享AIGC最新资讯和经典论文精读分享，让我们一起交流学习！！