鉴于信息量的爆炸性增长,推荐系统已成为在线活动中不可或缺的服务之一,能够有效地帮助用户找到他们感兴趣的内容或目标购买的产品,从而提升用户参与度和满意度。尽管在过去的几年中,得益于深度学习的进步,推荐方法得到了极大的发展,但它们仍然面临着几个限制。现有的方法可能难以有效理解和捕捉文本的旁信息,难以泛化到各种推荐场景,并在其预测中进行推理。最近,大语言模型(LLMs)的出现彻底改变了自然语言处理(NLP)领域,因为它们具有卓越的语言理解和生成能力。更令人印象深刻的是,它们能够通过推理来解决复杂问题,并且可以轻松泛化到新的领域或任务。这样的能力为解决现有推荐方法中的上述限制提供了机会,这使得基于LLM的推荐系统成为未来一个有前景的研究领域。为此,在本教程中,我们旨在从预训练、微调和提示等各个方面提供关于基于LLM的推荐系统的最新进展的全面概述。这预计将帮助AI社区中相关领域的研究人员和工业实践者获得对基于LLM的推荐系统的总体理解,并为他们提供新的想法以进行更多令人兴奋的研究。 我们的综述论文:《大语言模型(LLMs)时代的推荐系统》 我们的幻灯片:第一部分,第二部分 教程网站:https://advanced-recommender-systems.github.io/LLMs4Rec-IJCAI/ 本教程的主题包括但不限于以下内容: