本文是LLM系列的文章，针对《A Survey on Large Language Models for Recommendation》的翻译。

摘要

大型语言模型（LLM）作为自然语言处理（NLP）领域的强大工具，近年来在推荐系统（RS）领域受到了极大的关注。这些模型使用自监督学习在大量数据上进行训练，在学习通用表示方面取得了显著成功，并有可能通过一些有效的转移技术（如微调和提示调整）来增强推荐系统的各个方面。利用语言模型的力量来提高推荐质量的关键方面是利用它们对文本特征的高质量表示以及它们对外部知识的广泛覆盖来建立项目和用户之间的相关性。为了全面了解现有的基于LLM的推荐系统，本综述提出了一种分类法，将这些模型分为两个主要范式，分别是用于推荐的判别LLM（DLLM4Rec）和用于推荐的生成LLM（GLLM4Reg），后者首次被系统地分类。此外，我们系统地回顾和分析了每种范式中现有的基于LLM的推荐系统，深入了解了它们的方法、技术和性能。此外，我们还确定了关键挑战和一些有价值的发现，为研究人员和从业者提供了灵感。我们还创建了一个GitHub存储库，为LLM上的相关论文编制索引，以供推荐。

1 引言

2 建模范式和分类

3 判别式LLM用于推荐

4 生成式LLM用于推荐

5 发现

6 结论

在本文中，我们回顾了推荐系统的大型语言模型（LLM）的研究领域。我们将现有的工作分为判别模型和生成模型，然后用领域自适应的方式对它们进行了详细的说明。为了防止概念混淆，我们在基于LLM的推荐中提供了微调、提示、提示调整和指令微调的定义和区别。据我们所知，我们的综述是第一次专门针对推荐系统生成LLM的系统和最新综述，它进一步总结了许多相关研究的共同发现和挑战。因此，本次综述为研究人员全面了解LLM建议和探索潜在的研究方向提供了宝贵的资源。