行为标记更响亮：基于行为词汇的解耦可解释推荐

近期可解释推荐的研究探索了利用语言模型分析用户-物品交互自然语言理由的集成方法。尽管具有潜力，现有方法通常依赖基于 ID 的表示，掩盖了语义含义并对语言模型施加了结构约束，从而限制了其在开放场景中的适用性。这些挑战因真实交互的复杂性质而加剧，其中多样化的用户意图相互纠缠，协作信号很少与语言语义对齐。为克服这些局限，我们提出 BEAT，一个统一且可迁移的框架，将用户和物品行为标记化为离散、可解释的序列。我们通过矢量量化自编码过程构建行为词汇，从基于图的表示中解耦宏观兴趣和微观意图。随后引入多层语义监督以弥合行为信号与语言空间之间的差距。设计了一种语义对齐正则化机制，将行为标记直接嵌入冻结语言模型的输入空间。在三个公开数据集上的实验表明，BEAT 提升了零样本推荐性能，同时生成了连贯且信息丰富的解释。进一步分析表明，我们的行为标记捕获了细粒度语义，并为将复杂行为模式集成到大型语言模型中提供了即插即用接口。