利用自然语言协同信号的 LLM 更优推荐器: 一种自评估检索方法
信息检索
2025-05-27 v1
摘要
有效融入协同信息 (CI) 对于在推荐任务中利用 LLM 至关重要。现有方法通常使用软 token 或抽象标识符对 CI 进行编码，这引入了与 LLM 自然语言预训练的语义错位，并阻碍了知识整合。为解决这一问题，我们提出直接以自然语言表达 CI，以更好地与 LLM 的语义空间对齐。我们通过以自然语言形式检索一组经过筛选的最相关用户行为来实现这一点。然而，由于相似性与效用评估的复杂性，识别信息丰富的 CI 具有挑战性。为解决此问题，我们引入了遵循检索-重排范式的自评估协同检索框架 (SCORE)。首先，开发了协同检索器 (CAR) 以同时考虑协同模式与语义相似性。然后，自评估重排器 (SARE) 利用 LLM 自身的推理能力来评估检索到的行为并对其进行优先级排序。最后，将选定的行为作为自然语言 CI 前置于 LLM 提示中，以指导推荐。在两个公开数据集上的大量实验验证了 SCORE 在提升基于 LLM 的推荐方面的有效性。
引用
@article{arxiv.2505.19464,
title = {LLMs as Better Recommenders with Natural Language Collaborative Signals: A Self-Assessing Retrieval Approach},
author = {Haoran Xin and Ying Sun and Chao Wang and Weijia Zhang and Hui Xiong},
journal= {arXiv preprint arXiv:2505.19464},
year = {2025}
}
备注
13 pages, 6 figures