打破过滤气泡：利用对齐的大语言模型增强偶然性推荐
信息检索
2025-02-20 v1
摘要
推荐系统（RSs）经常受到反馈循环现象的困扰，例如，推荐系统在受其自身推荐偏差影响的数据上进行训练。这导致了过滤气泡效应，强化了同质化内容并降低了用户满意度。为此，提出了偶然性推荐，即提供出乎意料但又相关的物品。最近，大语言模型（LLMs）凭借其广泛的世界知识和推理能力，在偶然性预测方面展现出了潜力。然而，它们在使偶然性判断与人类评估对齐、处理长用户行为序列以及满足工业推荐系统的延迟要求方面仍面临挑战。为了解决这些问题，我们提出了 SERAL（使用对齐的大语言模型进行偶然性推荐），这是一个包含三个阶段的框架：（1）认知画像生成，将用户行为压缩为多级画像；（2）SerenGPT 对齐，使用丰富的训练数据将偶然性判断与人类偏好对齐；（3）近线适应，将 SerenGPT 高效集成到工业推荐系统流水线中。在线实验表明，SERAL 将偶然性物品的曝光率（PVR）、点击率和交易量分别提高了 5.7%、29.56% 和 27.6%，在不严重影响整体收入的情况下提升了用户体验。目前，它已全面部署在淘宝 App 首页的“猜你喜欢”中。
引用
@article{arxiv.2502.13539,
title = {Bursting Filter Bubble: Enhancing Serendipity Recommendations with Aligned Large Language Models},
author = {Yunjia Xi and Muyan Weng and Wen Chen and Chao Yi and Dian Chen and Gaoyang Guo and Mao Zhang and Jian Wu and Yuning Jiang and Qingwen Liu and Yong Yu and Weinan Zhang},
journal= {arXiv preprint arXiv:2502.13539},
year = {2025}
}
备注
15 pages