GANPrompt：利用增强多样性的提示来提升基于大型语言模型（LLM）的推荐系统

《ACM Transactions on Information Systems》：GANPrompt: Improving LLM-Based Recommendations with GAN-Enhanced Diversity Prompts

LLMs在推荐系统中表现优异但存在提示敏感性，GANPrompt通过对抗生成网络提升鲁棒性，结合属性生成模块和多样性约束保持语义一致，引入显式指导知识标记整合传统协同信号，实验证明在多个数据集上有效。

　　

摘要

大型语言模型（LLMs）在理解和生成自然语言方面展现了卓越的能力，在推荐系统领域中的应用也越来越广泛。然而，LLMs仍然存在一个显著的问题，即提示敏感性（prompt sensitivity）——模型的输出容易受到输入提示的微小变化的影响。这一挑战在推荐系统中尤为突出，因为推荐系统依赖于稳定且一致的输出结果。使用多样化的提示对LLMs进行微调可以降低提示敏感性，但同时也可能导致推荐性能下降。因此，选择一种有效的微调方法对于在不牺牲性能的情况下提高模型的鲁棒性至关重要。为了解决提示敏感性问题同时保持推荐性能，我们提出了基于生成对抗网络（GANPrompt）的框架，该框架利用对抗性博弈论来改进基于LLM的推荐系统。在这个框架中，生成器和鉴别器相互竞争以生成多样化的提示，这些提示随后被用于微调基于LLM的推荐系统，从而提升其鲁棒性和准确性。具体而言，为了生成多样化的提示以进行微调并增强LLMs的鲁棒性，我们开发了一个基于GAN的生成器，该生成器配备了属性生成模块以提供基础数据支持。此外，我们还引入了多样性约束机制，以确保生成的提示在保持语义一致性的同时具备高度多样性。为了在微调过程中保持准确性，我们引入了一种显式的引导知识令牌集成方法，该方法通过增强传统协同信号的使用来减少面对多样化提示时的噪声和信息损失。通过对四个公开可用的数据集以及一个真实世界工业数据集的广泛实验，我们证明了所提出框架的有效性。我们的源代码可在https://github.com/LxytIUON/GANPrompt获取。