基于高斯过程回归与LLM相关性判断的多模态物品评分用于自然语言推荐
信息检索
2025-11-04 v2
摘要
自然语言推荐根据用户发出的自然语言请求与自然语言物品描述段落之间的相关性生成物品建议。现有的NLRec方法通常使用稠密检索，通过聚合用户请求嵌入与相关段落嵌入之间的内积来计算物品相关性分数。然而，DR将请求视为唯一的相关性标签，从而导致以查询嵌入为中心的单模态评分函数，而该嵌入通常是查询相关性的弱代理。为了更好地捕捉可能由复杂NLRec数据产生的相关性评分函数的潜在多模态分布，我们提出了GPR-LLM，该方法使用高斯过程回归，并对候选段落的子集进行LLM相关性判断。在四个NLRec数据集和两个LLM骨干上的实验表明，使用能够建模多模态相关性评分函数的RBF核的GPR-LLM，始终优于更简单的单模态核（点积、余弦相似度），以及包括DR、交叉编码器和逐点基于LLM的相关性评分在内的基线方法，性能提升高达65%。总体而言，GPR-LLM在最小的LLM标注预算内为NLRec提供了一种高效且有效的方法。
引用
@article{arxiv.2510.22023,
title = {Multimodal Item Scoring for Natural Language Recommendation via Gaussian Process Regression with LLM Relevance Judgments},
author = {Yifan Liu and Qianfeng Wen and Jiazhou Liang and Mark Zhao and Justin Cui and Anton Korikov and Armin Toroghi and Junyoung Kim and Scott Sanner},
journal= {arXiv preprint arXiv:2510.22023},
year = {2025}
}
备注
16 pages,20 figures