思路动机
LLM最新进展为推荐系统任务提供了有前途的新方法。当前最先进的方法依赖于微调 LLM 来实现最佳结果，但此过程成本高昂且带来了显著的工程复杂性。相反，绕过微调并直接使用 LLM 的方法资源密集程度较低，但往往无法完全捕获语义和协作信息，导致与经过微调的方法相比性能不佳。在本文中，提出了一种简单的无需训练的推荐方法 (STAR)，这是一个利用 LLM 的框架，可应用于各种推荐任务而无需微调。
comment: 这篇论文，提供了一个将语义与协同信息融合起来的视角，这是这篇论文提供的最大的启发性视角。
- 提供了一种普适推荐场景下，快速搞一个基于llm推荐的基线。在此基础上，特定业务场景，还是需要针对性改进。
- 模型还是需要微调的，不能应该微调成本高、工程复杂就放弃。
在LLM里面，考虑user-item interactions交互行为，真的非常非常重要！实验观察到的现象：
- Beauty Hits@10： +23.8%
- Toys and Games：+37.5%
- Sports and Outdoors ：-1.8%
Sports and Outdoors 为啥结果提不上来？因为Sports and Outdoors上用户与item的交互，相比其他两个数据集，是很低的。
方法
两阶段方法，方法全局概览:
- 检索
通过上图得到检索结果。
- 排序
对检索结果，通过LLMRank排序。
检索
检索阶段，考虑了语义信息、和CI信息。在融合这两者的时候（融合公式里），语义信息和CI信息，有一个权重平衡因子。
同时会考虑：
- 时间因子：用户与item交互时间越近的，越重要；
- 打分因子：用户与item交互打分，越大越重要；
怎么计算语义信息矩阵、CI信息矩阵？
预先计算好语义信息矩阵（nn，n是item的数量）、以及CI信息矩阵（nn，怎么计算，用的非常典型的itemCF计算item之间的相似度矩阵）
- llm embedding: 使用的是google自己内部的Geckotext-embedding-004
怎么融合？
如果不考虑语义信息，则对item4的打分，就是一个非常典型的itemCF对item4的打分逻辑：
需要融合语义信息矩阵，是在itemCF打分的基础上，做了如下方式的融合：a=0，就是itemCF打分逻辑，只是里面包含了时间因子t、打分因子r:
打分因子r_j: user对item_j的打分，实验发觉r_j全部取1，对结果没什么影响。
a=0和a=1，有消融实验结论，没有贴具体数据。
检索打分公式的影响：
排序
输入：
排序打分逻辑，不同打分方式结果:
候选长度、交互序列的长度，对结果的影响：
rank里面加入一些交互行为的影响：
感觉差异不大。
不同模型对结果的影响：
