利用大型语言模型进行音乐推荐：挑战、机遇与评估

《ACM Transactions on Recommender Systems》：Music Recommendation with Large Language Models: Challenges, Opportunities, and Evaluation

　　

摘要AI总结

要查看此AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

音乐推荐系统（MRSs）长期以来一直依赖于信息检索框架，其进展主要通过检索-oriented子任务的准确性来衡量。虽然这种方法有效，但它难以解决什么是良好推荐的本质这一更深层次的问题。通过用户研究或公平性分析来扩展评估方法的尝试效果有限。大型语言模型（LLMs）的出现打破了这一框架：LLMs是生成式的，而不是基于排名的，这使得传统的准确性指标变得值得怀疑。它们还引入了一些挑战，如幻觉、知识截止、非确定性和不透明的训练数据，使得传统的训练/测试协议难以解释。同时，LLMs也创造了新的机会，使得自然语言（NL）交互成为可能，甚至允许模型充当评估者。

本文认为，向LLM驱动的MRSs转变需要重新思考评估方法。我们首先回顾了LLMs如何影响用户建模、项目建模以及基于NL的音乐推荐。然后分析了自然语言处理（NLP）中的评估实践，强调了与MRSs相关的方法论和开放性问题。最后，我们综合了这些见解，重点探讨了LLM提示如何在MRSs中应用，以概述一套结构化的成功和风险维度。我们的目标是为MRSs社区提供一个更新、具有教育意义的跨学科评估视角。

AI总结

AI生成摘要（实验性）

此摘要是使用自动化工具生成的，并未由文章作者撰写或审阅。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它是作者提供摘要的补充，作者提供的摘要仍是论文的权威版本。点击这里了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的评论将有助于改进未来的生成版本。

要查看此AI生成的通俗语言摘要，您必须具有高级访问权限。