DLCRec：面向 LLM 推荐系统的多样性管理新方法
信息检索
2025-01-07 v3
摘要
大语言模型（LLM）集成到推荐系统中已带来显著性能提升，但往往以牺牲推荐多样性为代价，这可能影响用户满意度。为此，可控推荐方法日益受到关注，允许用户指定偏好以获得满足其多样化需求的推荐。尽管具有潜力，但现有可控推荐系统常依赖单一提示等简单机制来调节多样性——这未能捕捉用户偏好复杂性。为此，我们提出DLCRec，一种新型框架，实现对 LLM 推荐中多样性的精细控制。与传统方法不同，DLCRec采用细粒度任务分解策略，将推荐过程分为三个顺序子任务：类型预测、类型填充和项目预测。这些子任务可独立训练，按用户指定的控制数顺序推理，从而实现对多样性的更精确控制。此外，多样性相关用户行为数据稀缺且分布不均为细调优带来显著挑战。为克服此困难，我们引入两种数据增强技术，增强模型对噪声和分布外数据的鲁棒性。这些技术使模型能接触更广泛的模式，从而提高其在生成不同多样性水平的推荐方面的适应性。我们的广泛实证评估表明，DLCRec不仅能够精确控制多样性，还在多个推荐场景中超越了最先进的基线方法。
引用
@article{arxiv.2408.12470,
title = {DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems},
author = {Jiaju Chen and Chongming Gao and Shuai Yuan and Shuchang Liu and Qingpeng Cai and Peng Jiang},
journal= {arXiv preprint arXiv:2408.12470},
year = {2025}
}
备注
Accepted by WSDM 2025