TEARS：可检阅的文本表示用于推荐
信息检索
2025-03-05 v2 人工智能
机器学习
摘要
传统推荐系统依赖高维（潜在）嵌入来建模用户-项目交互，往往导致表征不透明且缺乏可解释性。此外，这些系统对用户控制推荐的能力有限。鼓舞于最近的研究成果后，我们引入 TExtuAl Representations for Scrutable recommendations (TEARS)，以解决上述挑战。TEARS 通过自然文本对用户兴趣进行编码，而非通过潜在嵌入，提供透明度并允许用户编辑其兴趣表征。为此，TEARS 使用现代大型语言模型 (LLM) 根据用户偏好生成用户摘要。我们发现这些摘要独特地捕捉了用户偏好。基于这些摘要，我们采用混合方法，使用最优输运程序将摘要的表征与标准变分自编码器 (VAE) 用于协同过滤所学习的表征对齐。我们发现该方法在提供用户可控推荐方面，可优于三类流行 VAE 模型。我们还通过三个模拟用户任务分析了 TEARS 的可控性，以评估用户编辑其摘要效果的效果。
引用
@article{arxiv.2410.19302,
title = {TEARS: Textual Representations for Scrutable Recommendations},
author = {Emiliano Penaloza and Olivier Gouvert and Haolun Wu and Laurent Charlin},
journal= {arXiv preprint arXiv:2410.19302},
year = {2025}
}