HADSF：面向可解释推荐的方面感知语义控制
机器学习
2025-11-05 v2
摘要
大语言模型(LLMs)的最新进展有望为基于评论的推荐系统实现更有效的信息提取，然而当前方法仍然存在以下问题：(i) 在没有范围控制的情况下挖掘自由形式的评论，产生冗余和噪声表示；(ii) 缺乏将LLM幻觉与下游有效性联系起来的原理性指标；(iii) 在很大程度上未探索不同模型规模下的成本-质量权衡。我们通过超自适应双阶段语义框架(HADSF)来解决这些差距，这是一种两阶段方法，首先通过自适应选择归纳出紧凑的语料库级方面词汇表，然后执行词汇表引导的、显式约束的结构化方面-观点三元组提取。为了评估所得表示的保真度，我们引入了方面漂移率(ADR)和观点保真率(OFR)，并经验性地发现了幻觉严重程度与评分预测误差之间的非单调关系。在跨越1.5B-70B参数的LLM上对约300万条评论进行的实验表明，当集成到标准评分预测器中时，HADSF能持续降低预测误差，并使较小的模型在代表性部署场景中实现有竞争力的性能。我们发布了代码、数据流程和指标实现，以支持关于幻觉感知、LLM增强的可解释推荐的可重复研究。代码可在https://github.com/niez233/HADSF获取。
引用
@article{arxiv.2510.26994,
title = {HADSF: Aspect Aware Semantic Control for Explainable Recommendation},
author = {Zheng Nie and Peijie Sun},
journal= {arXiv preprint arXiv:2510.26994},
year = {2025}
}
备注
Accepted by WSDM 2026