ترجمه فارسی مقاله بهره‌گیری از استدلال LLM، سیستم‌های توصیه‌گر شخصی‌سازی‌شده را بهبود می‌بخشد

چکیده

Recent advancements have showcased the potential of Large Language Models (LLMs) in executing reasoning tasks, particularly facilitated by Chain-of-Thought (CoT) prompting. While tasks like arithmetic reasoning involve clear, definitive answers and logical chains of thought, the application of LLM reasoning in recommendation systems (RecSys) presents a distinct challenge. RecSys tasks revolve around subjectivity and personalized preferences, an under-explored domain in utilizing LLMs’ reasoning capabilities. Our study explores several aspects to better understand reasoning for RecSys and demonstrate how task quality improves by utilizing LLM reasoning in both zero-shot and finetuning settings. Additionally, we propose RecSAVER (Recommender Systems Automatic Verification and Evaluation of Reasoning) to automatically assess the quality of LLM reasoning responses without the requirement of curated gold references or human raters. We show that our framework aligns with real human judgment on the coherence and faithfulness of reasoning responses. Overall, our work shows that incorporating reasoning into RecSys can improve personalized tasks, paving the way for further advancements in recommender system methodologies.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر پتانسیل مدلهای بزرگ زبان (LLM) را در اجرای وظایف استدلال نشان داده است ، به ویژه که توسط فوری زنجیره ای (COT) تسهیل شده است.در حالی که وظایفی مانند استدلال حسابی شامل پاسخ های واضح ، قطعی و زنجیره های منطقی فکری است ، استفاده از استدلال LLM در سیستم های توصیه (Recsys) یک چالش مشخص را نشان می دهد.وظایف recsys حول ذهنیت و ترجیحات شخصی ، دامنه تحت تأثیر در استفاده از قابلیت های استدلال LLMS می چرخد.مطالعه ما جنبه های مختلفی را برای درک بهتر استدلال برای recsys بررسی می کند و نشان می دهد که چگونه کیفیت کار با استفاده از استدلال LLM در هر دو تنظیمات صفر و تنظیمات ، بهبود می یابد.علاوه بر این ، ما RecSaver (سیستم های پیشنهادی تأیید خودکار و ارزیابی استدلال) را پیشنهاد می کنیم تا به طور خودکار کیفیت پاسخ های استدلال LLM را بدون نیاز به منابع طلای سرپوشیده یا رأی دهندگان انسانی ارزیابی کنیم.ما نشان می دهیم که چارچوب ما با قضاوت واقعی انسانی بر انسجام و وفاداری پاسخ های استدلال هماهنگ است.به طور کلی ، کار ما نشان می دهد که ادغام استدلال در recsys می تواند وظایف شخصی سازی شده را بهبود بخشد و راه را برای پیشرفت های بیشتر در روش های سیستم توصیه کننده هموار کند.