最近看了一些LLM4Rec的论文，做了一丢丢小分享和小总结，这里也分享给大家，希望有所帮助。
目前LLM在RS中的应用范式主要是两类：LLM as Rec和LLM for Rec。
- LLM as Rec
- 零样本（zero-shot），上下文学习（in-context learning），微调（fine-tune）
- LLM for Rec
- 总结（summary），embedding，数据增广，数据融合
1. LLM as Rec
2. LLM for Rec
3. 优势与劣势
- 优势
- 利用自然语言融合跨域信息
- 丰富的世界知识，可以进行数据增广
- 推理能力强，可以实现零样本推荐进行冷启动等
- 劣势
- 推理速度较慢
- 资源消耗大
- 现有推荐系统基本是ID based的，如何向LLM based仍在探索中
