利用大语言模型摘要能力的内容基推荐——EmbSum
信息检索
2024-08-20 v2 计算与语言
摘要
内容基推荐系统在数字世界中发挥着在向用户提供个性化内容方面发挥着关键作用。本文引入了 EmbSum，一种新型框架，使其能够在捕获用户参与历史互动的同时，对用户和候选项目进行离线预计算。通过利用预训练的编码器-解码器模型和多注意力层，EmbSum 导出用户多注意力嵌入（UPE）和内容多注意力嵌入（CPE），用于计算用户与候选项目之间的相关性得分。EmbSum 通过生成用户兴趣摘要并借助大语言模型（LLM）进行监督，主动学习用户的长期参与历史。在来自不同领域的两个数据集上验证了 EmbSum 的有效性，准确率高于最先进（SOTA）方法，且参数更少。此外，模型生成用户兴趣摘要的能力也是一个有价值的副产品，提升了其在个性化内容推荐中的实用性。
引用
@article{arxiv.2405.11441,
title = {EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations},
author = {Chiyu Zhang and Yifei Sun and Minghao Wu and Jun Chen and Jie Lei and Muhammad Abdul-Mageed and Rong Jin and Angli Liu and Ji Zhu and Sem Park and Ning Yao and Bo Long},
journal= {arXiv preprint arXiv:2405.11441},
year = {2024}
}
备注
Accepted by RecSys 2024