基于层次化LLM提示词增强新闻推荐
信息检索
2025-04-30 v1 人工智能
摘要
个性化新闻推荐系统往往难以有效捕捉用户偏好复杂性，因为它们依赖浅层表征，如文章标题和摘要。为此，我们提出一种新方法，即PNR-LLM（Large Language Models for Personalized News Recommendation）。具体而言，PNR-LLM利用LLM的生成能力丰富化新闻标题和摘要，从而改善推荐质量。PNR-LLM包含一种新模块，即通过LLM的新闻丰富化（News Enrichment via LLMs），该模块从文章中生成更深层次的语义信息和相关实体，将浅层内容转化为更丰富的表征。我们进一步提出注意力机制来聚合丰富的语义和实体级别数据，形成统一的用户和新闻嵌入，更准确地揭示用户-新闻匹配度。在MIND数据集上进行的大规模实验表明，PNR-LLM在性能上优于最先进的基线方法。此外，提出的数据丰富模块是模型无关的，我们经验性地表明将该模块应用于多个现有模型后可进一步提升其性能，验证了我们设计的优势。
引用
@article{arxiv.2504.20452,
title = {Enhancing News Recommendation with Hierarchical LLM Prompting},
author = {Hai-Dang Kieu and Delvin Ce Zhang and Minh Duc Nguyen and Min Xu and Qiang Wu and Dung D. Le},
journal= {arXiv preprint arXiv:2504.20452},
year = {2025}
}