面向推荐的大语言模型意图表示学习

基于意图的推荐系统因能揭示潜在的细粒度偏好而备受关注。意图作为交互的潜在因素，对于提高推荐的可解释性至关重要。大多数方法将意图定义为与交互一起更新的可学习参数。然而，现有框架常常忽略文本信息（例如，用户评论、物品描述），而这些信息对于缓解交互意图的稀疏性至关重要。探索这些多模态意图，特别是表示空间中的固有差异，带来了两个关键挑战：i) 如何对齐多模态意图并有效缓解噪声问题；ii) 如何跨模态提取和匹配潜在的关键意图。为了应对这些挑战，我们提出了一个模型无关的框架，即基于大型语言模型的意图表示学习（IRLLRec），它利用大型语言模型（LLMs）来构建多模态意图并增强推荐。具体来说，IRLLRec 采用双塔架构来学习多模态意图表示。接下来，我们提出成对对齐和转移对齐，以消除模态间差异并增强对噪声输入特征的鲁棒性。最后，为了更好地匹配文本和基于交互的意图，我们采用动量蒸馏对融合的意图表示进行师生学习。在三个数据集上的实证评估表明，我们的 IRLLRec 框架优于基线。代码可在 https://github.com/wangyu0627/IRLLRec 获取。