文献阅读分享笔记：《Personalized Prompt Learning for Explainable Recommendation》

摘要

在今日的信息洪流中，推荐系统扮演着至关重要的角色。然而，缺乏透明度的“黑箱”特性限制了用户对推荐结果的信任。本文《Personalized Prompt Learning for Explainable Recommendation》提出了一种新颖的个性化提示学习方法，旨在提高推荐系统的可解释性，通过生成自然语言解释来增强用户对推荐结果的理解。

1. 相关工作

1.1 可解释推荐

可解释推荐领域主要分为两大研究方向：人机交互和机器学习。前者关注用户对解释的感知，后者致力于设计算法以提供解释。本研究聚焦于后者，尤其是如何利用自然语言生成技术来自动生成解释。

1.2 Transformer与预训练模型

Transformer模型因其在自然语言处理任务中的卓越性能而受到广泛关注。预训练模型，如BERT和GPT系列，通过在大规模文本数据上的预训练，积累了丰富的语言知识。然而，如何将这些模型应用于推荐系统的解释生成，仍是一个未被充分探索的领域。

2. 方法

2.1 模型架构

本文提出的PEPLER模型包含两种提示学习方法：离散提示学习（Discrete Prompt Learning）和连续提示学习（Continuous Prompt Learning）。这两种方法都旨在将用户和物品ID融合到预训练模型中，以生成解释。

2.1.1 离散提示学习

离散提示学习通过将ID映射为与推荐项目相关的特征词（如“房间”、“位置”），这些特征词作为提示输入到预训练模型中。

2.1.2 连续提示学习

连续提示学习则直接将用户和物品的ID向量作为输入，这些向量与解释词向量一起通过预训练模型。

2.2 创新点

• 个性化提示：首次将提示学习应用于推荐系统的可解释性问题。
• 训练策略：提出了顺序调整和推荐作为正则化的训练策略，以缩小预训练模型与新引入参数之间的差距。

3. 实验

3.1 数据集

实验使用了三个公开的可解释推荐数据集：TripAdvisor、Amazon和Yelp。

3.2 评估指标

评估指标包括BLEU、ROUGE、USR、FMR、FCR和DIV，旨在全面评估生成解释的文本质量和可解释性。

3.3 实验结果

实验结果表明，PEPLER在所有指标上均优于现有方法，特别是在文本质量和特征覆盖率方面。

4. 结论与未来工作

本文提出的PEPLER模型有效地提高了推荐系统的可解释性。未来的工作将探索多模态数据的融合以及跨语言解释生成。

代码地址如下：https://github.com/lileipisces/PEPLER