LANE：非调优大型语言模型与在线推荐系统的逻辑对齐 —— 用于可解释的原因生成

Jul, 2024

LANE：非调优大型语言模型与在线推荐系统的逻辑对齐 —— 用于可解释的原因生成

LANE: Logic Alignment of Non-tuning Large Language Models and Online Recommendation Systems for Explainable Reason Generation

PDF

Hongke Zhao, Songming Zheng, Likang Wu, Bowen Yu, Jing Wang

TL;DR我们提出的有效策略 LANE 通过语义嵌入、零样本提示的用户多偏好提取、语义对齐以及基于思维链提示的可解释推荐生成等关键组件，将语言模型与推荐系统整合，实现了低成本、高可解释性的推荐逻辑。实验证明我们的方法不仅能确保推荐性能，而且能提供易于理解和合理的推荐逻辑。

Abstract

The explainability of recommendation systems is crucial for enhancing user trust and satisfaction. Leveraging large language models (LLMs)

explainability recommendation systems large language models alignment recommendation logic generation

发现论文，激发创造

RecExplainer: 为推荐模型可解释性而对齐大型语言模型

使用大型语言模型作为替代模型，模仿和理解目标推荐系统模型的行为，利用三种对齐方法，即行为对齐、意图对齐和混合对齐，在语言和潜在空间进行对齐训练，从而实现了高度可信的推荐解释生成。

Nov, 2023

大型语言模型的可控推荐

通过引入监督学习任务和基于强化学习的对齐过程，本研究明显提升了大型语言模型在推荐系统中遵循指示并保持高精度性能的能力。

Mar, 2024

逻辑支架：使用 LLMs 进行个性化方面指导的推荐解释生成

利用大型语言模型的独特能力，本文提出一种名为 Logic-Scaffolding 的框架，通过中间推理步骤结合方面解释和思维链提示的思想生成解释，以解决现有模型在零 - shot 解释上的困难。

Dec, 2023

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

发掘大型语言模型在可解释推荐中的潜力

通过使用大型语言模型 (LLMs)，我们提出了简单而有效的两阶段解释性推荐框架 LLMXRec，旨在进一步提高解释质量。与大多数现有的基于 LLM 的推荐系统不同，LLMXRec 侧重于先前推荐模型与基于 LLM 的解释生成器之间的紧密协作。通过采用一些关键的微调技术，包括参数高效的指导微调和个性化提示技术，我们能够生成可控且流畅的解释，以实现解释推荐的目标。我们提供了三个不同的角度来评估解释的有效性，并在几个基准推荐模型和公开可用的数据集上进行了大量实验。实验证据不仅在有效性和效率方面取得了积极的结果，还揭示了一些以前未知的结果。为了方便在这个领域的进一步探索，我们开源了完整的代码和详细的原始结果。

Dec, 2023

个性化和可解释推荐的大型语言模型调查

最近几年，推荐系统 (Recommender Systems) 在自然语言处理 (Natural Language Processing) 领域迎来了巨大的变革，得益于大型语言模型 (Large Language Models) 的出现。这些模型，如 OpenAI 的 GPT-3.5/4 和 Meta 的 Llama，在理解和生成类似人类的文本方面展示了前所未有的能力，从而在个性化和可解释性推荐领域引发了范式转变，因为大型语言模型提供了处理大量文本数据以增强用户体验的多功能工具集。为了全面了解现有的基于大型语言模型的推荐系统，本综述旨在分析推荐系统如何从大型语言模型的方法中受益。此外，我们还描述了个性化解释生成 (Personalized Explanation Generating) 任务中的主要挑战，包括冷启动问题、公平性和偏见问题。

Nov, 2023

大型语言模型与机器学习在电子商务推荐中的新兴协同效应

电子商务和网络应用的蓬勃发展使得推荐系统成为我们日常生活中重要的一部分，但是现有基于深度神经网络的方法在理解用户兴趣、捕捉文本信息以及推广到不同场景等方面仍存在限制。近期的研究借助大型语言模型的崛起旨在改进推荐系统，本文系统回顾了已有的大型语言模型驱动的推荐系统，介绍了使用大型语言模型作为特征编码器学习用户和物品表示的方法以及在预训练、微调和提示等三个范式下的最新进展，并对这一新兴领域的未来方向进行了全面的讨论。

Mar, 2024

通过图感知学习增强基于语言模型的协同语义推荐

通过使用充满协作语义的交互图，我们提出了一种名为 GAL-Rec 的方法，通过模仿图神经网络（GNNs）的意图来提高语言模型驱动的推荐模型对用户 - 物品协作语义的理解能力，从而充分利用大型语言模型的学习能力，独立解决推荐系统中的复杂图形，实验证明 GAL-Rec 显著增强了协作语义的理解能力，并提高了推荐性能。

Jun, 2024

大语言模型时代的推荐系统

本论文对基于大型语言模型（LLMs）的推荐系统进行了全面综述，总结了 LLMs 在推荐系统中的应用方法，包括预训练、微调和提示，并讨论了未来方向。

Jul, 2023

小语言模型是否能成为顺序推荐的良好推理者？

提出了一种基于知识蒸馏的逐步推理框架（SLIM），以在资源高效的方式下实现顺序推荐系统中的大型语言模型的优秀推理能力，通过基于用户行为序列的 CoT 提示生成的合理性用作标签，将合成的标签融入到更小的学生模型中，从而使学生模型能够在推荐任务中逐步推理，实验结果表明 SLIM 具有显著的有效性和可承受的推荐推理成本。

Mar, 2024