MAPLE：通过多方面的提示学习增强评论生成以实现可解释推荐
机器学习
2025-05-27 v2 计算与语言
信息检索
摘要
可解释推荐任务旨在接收用户-物品对并输出解释，以说明为何该物品被推荐给用户。许多模型将评论生成作为可解释推荐的代理方法。虽然这些模型能生成流畅且语法正确的句子，但它们往往缺乏精确性，无法提供个性化且信息丰富的推荐。为解决这一问题，我们提出了一种个性化、可控方面的模型——多方面提示学习器（Multi-Aspect Prompt LEarner, MAPLE），将方面类别作为另一输入维度，以促进对细粒度方面术语的记忆。在两个真实餐厅领域评论数据集上的实验表明，MAPLE 显著优于基线评论生成模型。MAPLE 在文本和特征多样性方面均表现出色，确保生成内容覆盖广泛的方面。此外，MAPLE 在保持良好生成质量的同时，也具备较强的连贯性和事实相关性。本文中使用的代码和数据集可在此处找到：https://github.com/Nana2929/MAPLE.git。
引用
@article{arxiv.2408.09865,
title = {MAPLE: Enhancing Review Generation with Multi-Aspect Prompt LEarning in Explainable Recommendation},
author = {Ching-Wen Yang and Zhi-Quan Feng and Ying-Jia Lin and Che-Wei Chen and Kun-da Wu and Hao Xu and Jui-Feng Yao and Hung-Yu Kao},
journal= {arXiv preprint arXiv:2408.09865},
year = {2025}
}
备注
9 main pages, 10 pages for appendix. ACL'25 Main