RecAI是为了探索如何将大型语言模型（LLM）融入推荐系统，以增强推荐系统的交互性、可解释性和可控性。该项目通过采用全面的视角和方法，整合实际应用中的需求，发展出一系列技术，包括推荐AI代理、通过个性化提示注入知识、将语言模型作为推荐器进行微调、评估以及作为模型解释器。最终目标是创造一个更加复杂、互动和以用户为中心的推荐系统。

LLM（大型语言模型）提供自然交互并聪明地响应人类指令，但缺乏特定领域的专业知识。相比之下，传统推荐系统在领域数据训练方面表现出色，但仅限于结构化数据并缺乏交互性。InteRecAgent介绍了一种结合两者优势的AI代理：它使用LLM作为大脑，传统推荐模型作为工具。因此，传统模型如矩阵分解可以转化为对话式、交互式和可解释的推荐系统。

InteRecAgent（交互式推荐代理）是一个框架，用于利用预训练的特定领域推荐工具（如SQL工具、基于ID的推荐模型）和大型语言模型（LLM）来实现一个交互式的对话推荐代理。在此框架中，LLM主要负责与用户交互并解析用户兴趣作为输入给推荐工具，这些推荐工具负责寻找合适的项目。

在InteRecAgent框架中，推荐工具分为三个主要类别：查询、检索和排名。你需要提供LLM和预配置的特定领域推荐工具的API，以便使用InteRecAgent框架构建一个交互式推荐代理。在InteRecAgent中，既不更新LLM，也不修改推荐工具。

InteRecAgent包含的必要组件：

·LLM：一个大型语言模型，作为对话代理。

·物品信息表：一个包含物品信息的表格，其列包括id、标题、标签、描述、价格、发布日期、访问数量等。

·查询模块：一个SQL模块，用于在物品信息表中查询物品信息。

·检索模块：该模块旨在根据用户的意图（需求）从所有物品中检索物品候选者。注意，该模块不处理与用户个人资料相关的事务，如用户历史、用户年龄等。相反，它专注于用户所需，如“给我一些体育游戏”，“我想要一些受欢迎的游戏”。

·排名模块：根据模式（受欢迎度、相似性、偏好）优化物品候选者的排名。用户偏好包括喜好和不想要的。该模块可以是一个传统的推荐模型，输入用户和物品特征，输出相关分数。

如何在不对模型进行微调的情况下增强LLM的特定领域能力？关键在于提示。在这项工作中，我们引入了一种增强LLM的方法，使其能够注入大规模、持续演变和特定领域的数据模式。

密集检索是推荐系统和检索增强生成（RAG）等场景中的关键组成部分。尽管生成语言模型如GPT是为顺序令牌生成而设计的，但它们并不适用于检索导向的嵌入。我们的项目RecLM-emb正是为此而生，它与文本嵌入模型如text-embedding-ada-002保持一致，但专门针对项目检索进行了优化。目前它仅支持文本模态，如搜索查询、项目描述和用户指令。

需要注意的是，不同领域的数据模式有显著差异，这意味着通用LLM可能无法在特定领域内提供优化性能。为适应特定领域数据模式、以领域项目目录为基础、增强指令执行能力，本项目讨论了为推荐系统微调生成语言模型的过程，称为RecLM-gen。技术包括监督式微调（SFT）和强化学习（RL）。此方法的潜在应用包括排名器、对话推荐器和用户模拟器。

基于深度学习的推荐系统广泛用于各种在线服务，这归功于它们在有效性和效率上的优越性。然而，这些模型通常缺乏可解释性，这使得它们对用户和开发者来说都不够可靠和透明。在这项工作中，我们提出了一种新的推荐系统模型解释方法，称为RecExplainer，通过使用LLM作为替代模型，学习模仿和理解目标推荐模型。

评估对于准确评估模型的真实能力和识别改进的弱点至关重要。在使用语言模型作为推荐器的时代，其评估方法已大幅偏离传统风格。本项目旨在为基于LM的推荐系统提供全面的评估服务。无论是提供了训练有素的LM还是API（如Azure OpenAI API），它都能从多个角度评估模型的性能，包括检索、排名、解释能力和一般AI能力。