ControlRec：弥合语言模型与个性化推荐之间的语义鸿沟
信息检索
2023-11-29 v1
摘要
将大语言模型（LLMs）成功集成到推荐系统中已被近期研究证明是一个重大突破，为更通用和可迁移的推荐铺平了道路。然而，LLMs难以有效利用用户和物品ID，而这些对于成功推荐而言是关键的标识符。这主要是因为它们在与通常用于训练LLMs的自然语言（NL）不同的语义空间中具有截然不同的表示。为解决此问题，我们提出ControlRec，一种用于推荐系统的创新对比提示学习框架。ControlRec将用户ID和NL视为异质特征并分别编码。为促进二者在语义空间中的更好对齐与融合，我们设计了两个辅助对比目标：（1）异质特征匹配（HFM），基于交互序列将物品描述与相应ID或用户下一个偏好的ID对齐；（2）指令对比学习（ICL），通过对比由不同任务生成的输出序列的概率分布，有效合并这两个关键数据源。在四个公开真实世界数据集上的实验结果证明了所提方法在提升模型性能方面的有效性。
引用
@article{arxiv.2311.16441,
title = {ControlRec: Bridging the Semantic Gap between Language Model and Personalized Recommendation},
author = {Junyan Qiu and Haitao Wang and Zhaolin Hong and Yiping Yang and Qiang Liu and Xingxing Wang},
journal= {arXiv preprint arXiv:2311.16441},
year = {2023}
}
备注
11 pages, 7 figures