香港大学的研究者们最近提出了一种名为EasyRec的新型推荐系统，旨在解决现有推荐算法在零样本学习场景中的局限性。EasyRec的提出，源于对语言模型（LMs）在理解和生成文本方面强大能力的观察。
在传统的推荐系统中，算法通常依赖于用户和物品的唯一ID来学习交互数据的表示。然而，这种依赖性限制了它们在实际的零样本学习场景中的表现，因为在这些场景中，可能没有足够的训练数据可用。为了克服这一限制，研究者们转向了语言模型，这些模型在理解和生成文本方面表现出了出色的泛化能力。
EasyRec的设计理念是结合文本语义理解和协同信号，以实现更好的推荐效果。它采用了一种文本-行为对齐框架，该框架结合了对比学习和协同语言模型调优，以确保文本增强的语义空间和协同行为信息之间有强大的对齐。这种对齐有助于模型更好地理解用户的偏好，并根据这些偏好做出更准确的推荐。
为了评估EasyRec的性能，研究者们在各种真实世界的基准数据集上进行了广泛的实验。结果显示，EasyRec在零样本文本推荐场景中的表现明显优于其他最先进的模型，包括OpenAI和Bert等。此外，EasyRec还被证明可以无缝地集成到现有的基于文本的协同过滤框架中，从而提高这些框架的推荐性能。
然而，尽管EasyRec在零样本文本推荐方面取得了显著的成果，但也有一些潜在的局限性。首先，EasyRec的性能在很大程度上依赖于高质量的文本数据的可用性。如果文本数据的质量较差或不完整，EasyRec的性能可能会受到影响。其次，EasyRec的计算复杂度相对较高，这可能会限制其在资源受限环境中的适用性。
