面向可解释推荐的图检索增强大语言模型 G-Refer
信息检索
2025-02-19 v1 计算与语言
摘要
可解释推荐已在通知用户关于推荐逻辑的信息方面展现出显著优势，从而增加了系统的透明度、有效性和可信度。为了提供个性化且可解释的解释，现有工作常将大语言模型（LLM）的生成能力与协同过滤（CF）信息相结合。来自用户-物品交互图提取的 CF 信息捕捉了用户行为和偏好，这对于提供信息丰富的解释至关重要。然而，由于图结构的复杂性，有效地从图中提取 CF 信息仍然是一个挑战。此外，现有方法常在将提取的 CF 信息与大语言模型集成时困难，因为其隐式表征以及图结构与自然语言解释之间的模态差距。为此，我们提出了 G-Refer，一个利用图检索增强的大语言模型（LLM）进行可解释推荐的框架。具体而言，我们首先采用混合图检索机制从结构和语义两个角度检索显式的 CF 信号。检索到的 CF 信息通过图翻译被显式地形式化为人类可理解的文本，并考虑大语言模型生成的解释。为弥合模态差距，我们引入知识剪枝和检索增强微调，以增强大语言模型处理和利用检索到的 CF 信息以生成解释的能力。广泛的实验表明，G-Refer 在可解释性和稳定性方面均优于现有方法。代码和数据已提供于 https://github.com/Yuhan1i/G-Refer。
引用
@article{arxiv.2502.12586,
title = {G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation},
author = {Yuhan Li and Xinni Zhang and Linhao Luo and Heng Chang and Yuxiang Ren and Irwin King and Jia Li},
journal= {arXiv preprint arXiv:2502.12586},
year = {2025}
}
备注
Accepted by WWW 2025, research track