大型语言模型在多角度用户评分预测中的应用研究

文章针对用户评分预测这一经典任务,对LLMs进行了全面而深入的研究。该研究旨在根据用户的历史评分数据,预测其对候选项目的评分。文中系统探讨了不同LLMs与传统推荐方法在用户历史行为和项目信息量变化的情况下的性能。在充分考虑用户历史行为和项目信息的前提下,通过综合对比分析,结果表明:当参数规模足够大时,LLMs在评分预测中的RMSE值和MAE值分别较传统协同过滤方法降低了0.054和0.051。这一研究结果进一步强调了用户交互数据和项目信息在预测评分中的重要性,并突显了模型规模对提高用户评分预测性能的关键作用。

基于Spark架构的艺术学慕课资源协同过滤推荐算法研究

传统资源协同过滤推荐算法MAE值偏高,因此提出基于Spark架构的艺术学慕课资源协同过滤推荐算法。采用分级响应形式,建立用户⁃资源评分关系模型,用户对资源的评分减掉该用户评分平均值,完成资源协同过滤相似度计算的优化,引入集成度高的Spark架构,预测用户对资源的评分并生成推荐列表,实现艺术学慕课资源的精准推荐。经过与两种传统算法的对比实验结果可知,研究的算法在不同比例训练集和测试集的情况下,MAE值均低于两种传统方法,说明基于Spark架构的艺术学慕课资源协同过滤推荐算法推荐精度更高,性能更好。