文章地址：https://arxiv.org/pdf/2306.05817.pdf
文章名：How Can Recommender Systems Benefit from Large Language Models: A Survey
推荐系统的流水过程：
用户数据收集User data collection
特征处理Feature engineering
将原数据进行处理（如独热码）
特征编码Feature encoder
生成神经网络的嵌入向量
评分/排序函数Scoring Ranking function
控制器Pipeline controller
LLM可用于上述过程中除了用户数据收集的部分。
对于特征编码部分，使用LLM可以丰富语义信息，还可实现跨领域推荐。
对于评分/排序函数，LLM可用于解决（1）项目评分任务，（2）项目生成任务，（3）混合任务。项目评分任务主要用于针对目标用户，对每个候选项目进行评分，从而获得一个排名列表；项目生成任务直接生成项目的最终排序列表；混合任务上述二者都支持。
早期的语言模型参数比较小，被用作简单的文本特征编码器等；但随着模型和参数量的增多，LLM出现了指令跟随、推理等能力，因此可被扩展用于推荐系统的其他方面。
LLM应用于RS中呈现如下趋势：
从微调+与CRM（传统推荐模型）结合（如BERT+推荐模型）到不微调+不与CRM结合（如ChatGPT），再到微调+不与CRM结合/不微调+与CRM结合。整体趋势如上图中的箭头所示。
在上述发展过程中，不微调+不与CRM结合的模型效果较差（绿色），但通过增加领域内的协同知识可以提高模型的性能。