GMM-变分门控混合专家模型用于可解释推荐
信息检索
2025-03-05 v2 人工智能
摘要
大型语言模型驱动的可解释推荐(LLM-based ER)系统在为推荐生成类人解释方面展现了前景。然而，这些系统在建模用户-物品协同偏好、个性化解释以及处理稀疏用户-物品交互方面面临挑战。为此，我们提出了GMM-变分门控混合专家框架(GaVaMoE)，用于可解释推荐。GaVaMoE引入两个关键组件：(1)采用变分自编码器(VAE)搭配高斯混合模型(GMM)的评分重建模块，捕捉复杂的用户-物品协同偏好，作为预训练的多门控机制；(2)与多门控机制耦合的一组细粒度专家模型，用于生成高度个性化的解释。VAE组件建模用户-物品交互中的潜在因子，而GMM对具有相似行为的用户进行聚类。每个聚类对应多门控机制中的一个门，将用户-物品对路由到合适的专家模型。该架构使GaVaMoE能够为特定用户类型和偏好生成量身定制的解释，通过利用用户相似性来缓解数据稀疏性。在三个真实数据集上的大规模实验表明，GaVaMoE在解释质量、个性化和一致性方面显著优于现有方法。值得注意的是，GaVaMoE在稀疏用户-物品交互场景下表现稳健，即使针对历史数据有限的用户也能保持高质量的解释。
引用
@article{arxiv.2410.11841,
title = {GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation},
author = {Fei Tang and Yongliang Shen and Hang Zhang and Zeqi Tan and Wenqi Zhang and Zhibiao Huang and Kaitao Song and Weiming Lu and Yueting Zhuang},
journal= {arXiv preprint arXiv:2410.11841},
year = {2025}
}