掌握與 Chatbot AI（包括 ChatGPT 和 Character AI）互動的提示設計對於獲得精確且相關的結果至關重要。最近，Kyle Dylan Spurlock、Cagla Acun 和 Esin Saka 發表了一篇題為「ChatGPT for ConversationalRecommendation: RefiningRecommends by Reprompting with Feedback」的論文，對使用 ChatGPT 等大型語言模型 (LLM) 增強推薦系統進行了深入分析。它重點關注 ChatGPT 作為 top-n 會話推薦系統的有效性，並探索提高推薦相關性和減輕流行度偏差的策略。該研究還深入研究了自動推薦系統的現狀，強調了現有模型的局限性，因為它們缺乏直接的用戶互動以及數據解釋的膚淺本質。它強調了像 ChatGPT 這樣的法學碩士的對話能力如何重新定義用戶與人工智慧系統的交互，使它們更加直觀和用戶友好。方法此方法是全面且多方面的：資料來源：使用 HetRec2011 資料集，它是 MovieLens10M 資料集的擴展，附加了來自 IMDB 和爛番茄的電影資訊。內容分析：為電影嵌入創建不同層次的內容，從基本資訊到詳細的維基百科數據，以分析內容深度對推薦相關性的影響。使用者和項目選擇：該研究使用了具有代表性的小型使用者樣本，以盡量減少差異並確保可重複性。提示創建：採用零樣本、單樣本和思想鏈（CoT）等不同的提示策略來指導 ChatGPT 進行推薦生成。相關性匹配：推薦與使用者偏好的相關性是重點，回饋用於完善 ChatGPT 的輸出。評估：研究採用各種指標，例如 Precision、nDCG 和 MAP，來評估建議的品質。實驗論文透過實驗回答三個研究問題：會話對建議的影響：分析ChatGPT的會話能力如何影響其建議效果。作為 Top-n 推薦器的效能：將 ChatGPT 的效能與典型推薦情境中的基準模型進行比較。建議中的流行度偏差：調查 ChatGPT 的流行度偏差趨勢以及緩解策略。主要發現與啟示該研究強調了幾個關鍵發現：內容深度的影響：在嵌入中引入更多內容可以提高模型的判別能力，儘管這種改進有限制。ChatGPT 與基準模型：ChatGPT 的表現與傳統推薦系統相當，強調了其在零樣本任務中強大的領域知識。管理流行度偏差：修改提示以尋求不太流行的推薦可以顯著提高新穎性，這表明了一種抵消流行度偏差的策略。然而，這種方法涉及新穎性和性能之間的權衡。結論該論文提出了將 ChatGPT 等對話式 AI 納入推薦系統的有前景的方向。透過重新提示和回饋來完善推薦，它比傳統模型顯示出顯著的進步，特別是在用戶參與度和流行度偏差的處理方面。這項研究有助於持續開發更直觀、以使用者為中心的人工智慧推薦系統。