根据论文的情况，梳理下自己在看和分析的推荐系统和 LLM 相结合的论文和开源代码情况，后面计划再进行分类整理。
欢迎点赞，收藏，一键三连。
主流推荐场景
目前主流的推荐场景，主要有如下的一些推荐场景：
Top-K 推荐，既给用户推荐 k 个可能感兴趣的物品。
评分预测，对于给定的物品，预测用户对这个物品的喜好，等价于 CTR 预估任务。
对话推荐，根据用户和推荐系统的历史对话信息，去推荐当前用户可能喜好的物品。
可解释性推荐，在给用户推荐物品的时候，同时给出推荐理由。
相关方法
根据是否会微调大模型，可以分为提示词方法，微调方法。
提示词方法，通过构建和优化提示词模板，去进行推荐，一般包含 ICL（上下文学习能力）、COT（chain of thought）、conventional prompt这几种方式。更细分的，也可以用 AI Agent、API call of Tools、Data Augmentation、Data Refinement。
微调方法，包括提示词微调和指令微调两种，从目前主流的论文来看，主要是使用 T5、GPT2、LLama 等开源模型去做微调，目前也有一些微调和提示词方法相结合的论文。
总的来说，目前还处于探索阶段，从实际的效果来看，和真正 SOTA 的模型还有一定的距离。另外，由于 GPT4 的 API 相对昂贵，很多论文实际上只取了很少一部分数据进行实验。
因此，这个方向还是值得探索和投入的。而且随着，最近豆包、千问以及百度大模型 API 的成本进一步下降，高性能开源 Llama3、Qwen2 模型的出现，使得本地部署调用大模型变得更加简单，因此后续这个领域应该会出现很多精彩的论文，当然也更卷了。
论文
1、Recommender Systems in the Era of Large Language Models (LLMs)
2、Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations
3、Uncovering ChatGPT’s Capabilities in Recommender Systems
4、Large Language Models are Zero-Shot Rankers for Recommender Systems
5、Large Language Models as Zero-Shot Conversational Recommenders
6、Incorporating External Knowledge and Goal Guidance for LLM-based Conversational Recommender Systems
