ACLMay, 2021

个性化 Transformer 模型用于可解释的推荐系统

PDF
TL;DR我们提出了一种个性化 Transformer 模型（PETER）来解决用户和物品 ID 无法与单词在相同的语义空间中表示的问题，通过在目标解释中使用 ID 来预测单词，并赋予 ID 语言意义，从而使其实现个性化。我们的实验结果表明，我们的小型未预训练模型在生成任务上优于微调 BERT，这凸显了我们设计的重要性和实用性。
personalizationnatural language generationtransformerexplainable recommendationpersonalized transformer
发现论文，激发创造
  • 可解释推荐的个性化提示学习

    该研究提出了一种利用预训练模型和新型 prompt learning 方法实现基于用户可解释性推荐的方法，并与传统方法相比，有着更好的表现。

    Feb, 2022

  • 基于大规模语言模型的不确定性感知可解释推荐

    为了提高用户满意度和建立信任，推荐系统内提供解释尤为重要，特别是对为用户定制的推荐物品进行解释。在这个研究领域中，主要方法是生成基于文本的解释，主要侧重于应用大型语言模型（LLMs）。然而，由于时间限制和计算资源限制，对于可解释性推荐来说，细化 LLMs 的工作并不可行。作为替代方案，当前的方法是训练提示而不是 LLMs。在这项研究中，我们开发了一个模型，利用用户和项目输入的 ID 向量作为 GPT-2 的提示。我们在多任务学习框架内使用联合训练机制来优化推荐任务和解释任务。这种策略能更有效地探索用户的兴趣，提高推荐的效果和用户满意度。通过实验，在 Yelp、TripAdvisor 和 Amazon 数据集上，我们的方法在解释能力评估指标上分别达到 1.59 DIV、0.57 USR 和 0.41 FCR，相比于四种现有技术，表现出卓越性能。此外，我们发现所提出的模型能够确保在这三个公共数据集上文本质量的稳定。

    Jan, 2024

  • 用户画像识别和新服务适配推荐

    基于高维度轨迹信息，我们通过使用 SessionBERT 方法来识别用户画像，提供个性化的网页用户体验和推荐服务。

    Nov, 2023

  • 解释与征服：个性化的基于文本的评论实现透明度

    利用个性化的文本评价模型 PTER，基于特定用户交互和可用评价，预测并解释旅游餐厅的评论。

    May, 2022

  • 探索和评估个性化代码生成模型

    本文探讨评估 Transformer 模型微调来进行个性化编码生成，考虑三种方法：（i）自定义微调，（ii）轻量级微调，（iii）前缀微调，比较它们的效果和成本效益。

    Aug, 2022

  • 来自序列行为的参数高效迁移，用于用户建模和推荐

    本文提出了一种参数高效的迁移学习框架 PeterRec，通过注入一系列重新学习的小型神经网络，PeterRec 可以在多个领域实现高效的迁移学习，从而有效地学习单个用户表示，并在多个领域的任务中取得了可比或更好的性能。

    Jan, 2020

  • LLM-RecSys 文本 ID 学习对准

    通过 IDGen 方法将每个项目表示为独特、简洁、语义丰富、与平台无关的文本 ID，并通过基于 LLM 的推荐系统和文本 ID 生成器的协同训练，无缝地将个性化推荐融入自然语言生成，从而建立了一个基础生成推荐模型。实验结果表明，该方法在标准实验设置下在序列推荐方面始终优于现有模型，并且该方法在从 19 个不同数据集中收集的数据上进行零 - shot 训练后，在 6 个不同平台上的未见数据集上的推荐性能与一些基于监督训练的传统推荐模型相当甚至更好，展示了 IDGen 模式作为生成推荐基础模型的潜力。

    Mar, 2024

  • 基于 Transformer 模型的智能电子商务推荐的文本理解与生成

    Transformer 结构预训练模型在电子商务领域的核心应用场景包括但不限于产品描述的自动生成、用户评论的情感分析、个性化推荐系统的构建和客服对话的自动处理。本研究通过对模型的工作原理、实施过程和具体案例中的应用效果进行详细分析，强调了预训练模型在理解复杂用户意图和提高推荐质量方面的独特优势，并讨论了未来的挑战和改进方向，例如如何进一步提高模型的泛化能力、处理大规模数据集的能力以及保护用户隐私的技术策略。最终，该论文指出 Transformer 结构预训练模型在电子商务领域不仅推动了技术创新，还给商家和消费者带来了实质性的利益，并展望这些模型在电子商务和其他领域将继续发挥关键作用。

    Feb, 2024

  • GPT4Rec: 面向个性化推荐和用户兴趣解析的生成式框架

    本文介绍了 GPT4Rec，一种基于生成模型和搜索引擎的新型灵活推荐系统，它通过多查询生成技术和基于 BM25 的搜索引擎来更好地捕获用户兴趣，提高推荐的相关性和多样性。

    Apr, 2023

  • 面向个性化文本分类的增量用户嵌入建模

    本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

    Feb, 2022