RecCoT：通过思维链增强推荐
信息检索
2025-08-26 v2
摘要
在现实应用中，用户总是从多个方面与物品互动，例如通过隐式二元反馈（如点击、不喜欢、长观看）和显式反馈（如评论、评价）。现代推荐系统（RecSys）从这些隐式反馈信号中作为大规模二元数据流学习用户-物品协同信号，随后根据用户的个性化历史交互推荐其他高度相似的物品。然而，从这种协同连接的角度来看，RecSys 并不关注物品本身的实际内容，而是优先考虑物品之间行为共现的更高概率信号。因此，在这种二元学习范式下，RecSys 难以理解用户为什么喜欢或不喜欢某些物品。为了缓解这一问题，一些工作尝试利用基于内容的评论来捕获语义知识以增强推荐模型。然而，这些方法大多侧重于预测评论的评分，而未能提供人类可理解的解释。
引用
@article{arxiv.2506.21032,
title = {RecCoT: Enhancing Recommendation via Chain-of-Thought},
author = {Shuo Yang and Jiangxia Cao and Haipeng Li and Yuqi Mao and Shuchao Pang},
journal= {arXiv preprint arXiv:2506.21032},
year = {2025}
}
备注
Work in progress