LLMRank

用大模型零样本给推荐结果排序，无需训练直接提升效果

LLMRank 是 ECIR'24 论文《Large Language Models are Zero-Shot Rankers for Recommender Systems》的官方实现，旨在探索大语言模型在推荐系统排序任务中的零样本能力。它解决传统推荐排序依赖大量用户行为数据、冷启动困难的问题，直接利用 LLM 的语义理解对候选物品进行排序。核心能力包括：将推荐排序转化为文本生成任务，通过设计提示模板让 LLM 输出有序的物品列表；支持多种 LLM 后端（如 GPT 系列），提供可复现的实验配置；包含基线对比和评估脚本，便于研究者验证效果。项目代码结构清晰，适合作为 LLM 驱动推荐排序研究的起点，但当前功能偏向实验验证，尚未提供生产级部署方案。