大语言模型驱动的推荐系统去噪方法
信息检索
2025-02-14 v1
摘要
推荐系统是个人化用户体验的关键，但往往依赖隐式反馈数据，这些数据可能噪声且误导。现有去噪研究通过整合辅助信息或从交互数据中学习策略，但面临外部知识和交互数据内在局限性，以及某些预定义假设的非通用性，限制了准确噪声识别。最近，大语言模型（LLM）因其广泛的世界知识和推理能力而受到关注，但其在提升推荐去噪方面的潜力尚未充分探索。本文引入 LLaRD 框架，利用 LLM 改进推荐系统的去噪，从而提升整体推荐性能。具体而言，LLaRD 通过 LLM 首先从观察性数据中丰富语义洞察并推断用户-物品偏好知识，然后采用 novel Chain-of-Thought（CoT）技术对用户-物品交互图进行推理，以揭示用于去噪的关系知识。最后，应用信息瓶颈（IB）原则将 LLM 生成的去噪知识与推荐目标对齐，过滤噪声和无关 LLM 知识。实证结果表明，LLaRD 在提升去噪和推荐准确性方面效果显著。
引用
@article{arxiv.2502.09058,
title = {Unleashing the Power of Large Language Model for Denoising Recommendation},
author = {Shuyao Wang and Zhi Zheng and Yongduo Sui and Hui Xiong},
journal= {arXiv preprint arXiv:2502.09058},
year = {2025}
}
备注
12 pages, 5 figures, 4 tables. Accecpted by WWW 2025