跟随TRAIL：基于微调大语言模型预测与解释明日之热门
信息检索
2026-02-05 v1
摘要
大型语言模型（LLMs）因其广泛的知识储备和强大的推理能力，已在多个领域广泛应用。然而，将其应用于推荐系统面临挑战，因为LLMs难以从大规模稀疏的用户-物品日志中提取用户偏好，且对全目录进行实时按用户排序在实际中难以实现。此外，许多现有推荐系统仅关注排序物品，忽略了解释性，这些解释有助于提高预测准确性并使推荐更具说服力。鼓励最近通过预测近期物品流行度来实现出色推荐性能的工作启发我们，提出TRAIL（TRend and explAnation Integrated Learner）。TRAIL是一个微调后的大语言模型，能够联合预测短期物品流行度并生成可靠的自然语言解释。它采用对比学习，结合正负样本对其评分与解释与结构化趋势信号进行对齐，从而实现准确且可解释的流行度预测。大量实验表明，TRAIL超越了强大的基线模型，生成连贯且充分依托的解释。
引用
@article{arxiv.2602.04225,
title = {Following the TRAIL: Predicting and Explaining Tomorrow's Hits with a Fine-Tuned LLM},
author = {Yinan Zhang and Zhixi Chen and Jiazheng Jing and Zhiqi Shen},
journal= {arXiv preprint arXiv:2602.04225},
year = {2026}
}