面向无调优大型语言模型与在线推荐系统的逻辑对齐框架 LANE：用于可解释推荐逻辑生成
信息检索
2024-07-04 v1 计算与语言
机器学习
摘要
推荐系统的可解释性对于增强用户信任和满意度至关重要。利用大型语言模型 (LLM) 为从综合性推荐逻辑生成提供了新的机会。然而，现有研究中，为推荐任务微调 LLM 模型会产生高计算成本并与现有系统存在对齐问题，限制了以往经验证的专有/封闭源 LLM 模型（如 GPT-4）的应用潜力。本文提出的有效策略 LANE 在无需额外 LLM 调优的情况下将 LLM 与在线推荐系统对齐，降低成本并提升可解释性。这种创新方法解决了将语言模型与推荐系统集成的关键挑战，同时充分利用强大专有模型的能力。具体而言，我们的策略通过以下关键组件实现：语义嵌入、使用零样本提示提取用户多偏好、语义对齐以及采用链式思维 (CoT) 提示进行可解释推荐生成。通过对物品标题进行嵌入而非 ID，并利用多头注意力机制，我们的方法将用户偏好语义特征与候选物品语义特征对齐，确保推荐具有一致性并符合用户需求。充足的实验结果，包括性能比较、问卷投票和可视化案例，证明我们的方法不仅能保持推荐性能，还能提供易于理解且合理的推荐逻辑。
引用
@article{arxiv.2407.02833,
title = {LANE: Logic Alignment of Non-tuning Large Language Models and Online Recommendation Systems for Explainable Reason Generation},
author = {Hongke Zhao and Songming Zheng and Likang Wu and Bowen Yu and Jing Wang},
journal= {arXiv preprint arXiv:2407.02833},
year = {2024}
}