LLM4DSR：利用大语言模型进行序列推荐去噪
信息检索
2025-06-10 v3 人工智能
摘要
序列推荐器基于用户历史交互序列生成推荐。然而，在实践中，这些收集到的序列经常受到噪声交互的污染，从而显著损害推荐性能。在没有额外信息的情况下准确识别此类噪声交互尤其具有挑战性，因为缺乏指示噪声的明确监督信号。大语言模型（LLM）凭借其丰富的开放知识和语义推理能力，为弥合这一信息鸿沟提供了有前景的途径。然而，将LLM用于序列推荐中的去噪面临显著挑战：1）直接应用预训练的LLM可能无法胜任去噪任务，经常生成无意义的响应；2）即使经过微调，LLM输出的可靠性仍然存疑，尤其是在去噪任务的复杂性和LLM固有的幻觉问题面前。为了应对这些挑战，我们提出了LLM4DSR，一种利用LLM进行序列推荐去噪的定制方法。我们构建了一个自监督微调任务，以激活LLM识别噪声项并提出替换项的能力。此外，我们开发了一个不确定性估计模块，确保仅使用高置信度的响应来进行序列修正。值得注意的是，LLM4DSR是模型无关的，允许修正后的序列灵活地应用于各种推荐模型。广泛的实验验证了LLM4DSR优于现有方法。
引用
@article{arxiv.2408.08208,
title = {LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation},
author = {Bohao Wang and Feng Liu and Changwang Zhang and Jiawei Chen and Yudi Wu and Sheng Zhou and Xingyu Lou and Jun Wang and Yan Feng and Chun Chen and Can Wang},
journal= {arXiv preprint arXiv:2408.08208},
year = {2025}
}