面向可解释推荐的序列感知大语言模型
信息检索
2026-03-26 v1
摘要
大语言模型（LLM）在为推荐系统生成自然语言解释方面显示出强大的潜力。然而，现有方法往往忽视用户行为的序列动态，以及评估指标与实际实用性不匹配的问题。我们提出SELLER（SEquence-aware LLM-based framework for Explainable Recommendation），将解释生成与效用感知评估集成。SELLER结合了捕获用户行为和物品语义的双路径编码器，以及用于将这些信号与LLM对齐的Mixture-of-Experts适配器。统一的评估框架通过文本质量及其对推荐结果影响两个维度评估解释。实验在公开基准数据集上表明，SELLER在解释质量和实际效用方面 consistently 优于先前方法。
引用
@article{arxiv.2603.24136,
title = {Sequence-aware Large Language Models for Explainable Recommendation},
author = {Gangyi Zhang and Runzhe Teng and Chongming Gao},
journal= {arXiv preprint arXiv:2603.24136},
year = {2026}
}