Uncertainty-Aware Explainable Recommendation with Large Language Models

最新推荐文章于 2025-12-14 20:30:00 发布

UnknownBody

最新推荐文章于 2025-12-14 20:30:00 发布

阅读量197

点赞数 4

CC 4.0 BY-SA版权

分类专栏： Recommendation 文章标签：语言模型人工智能 python

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/137453331

LLM 日更同时被 2 个专栏收录

828 篇文章

已下架不支持订阅

Recommendation

46 篇文章

订阅专栏

本文介绍了一种利用大型语言模型（LLM）GPT-2生成推荐系统解释的新型方法。通过将用户和项目ID向量作为提示，采用多任务学习框架进行联合训练，优化推荐和解释任务，提升推荐效率和用户满意度。实验表明，这种方法在多个数据集上的可解释性指标优于现有SOTA方法，同时保证了文本质量的稳定性。

本文是LLM系列文章，针对《Uncertainty-Aware Explainable Recommendation with Large Language Models》的翻译。

摘要

在推荐系统内提供解释将提高用户满意度并促进信任，特别是通过详细说明选择适合用户的推荐项目的原因。该领域的主要方法围绕着生成基于文本的解释，特别强调应用大型语言模型（LLM）。然而，由于时间限制和计算资源限制，为可解释的建议改进LLM被证明是不切实际的。作为一种替代方案，当前的方法包括训练提示而不是LLM。在这项研究中，我们开发了一个模型，该模型利用用户和项目输入的ID向量作为GPT-2的提示。我们在多任务学习框架内采用了联合训练机制来优化推荐任务和解释任务。这一策略能够更有效地探索用户的兴趣，提高推荐效率和用户满意度。通过实验，我们的方法在Yelp、TripAdvisor和Amazon数据集上分别实现了1.59 DIV、0.57 USR和0.41 FCR，在可解释性评估指标方面优于四种SOTA方法。此外，我们发现所提出的模型能够确保三个公共数据集上稳定的文本质量。

1 引言

2 相关工作

3 方法

4 实验

5 结论

在本文中，我们提出了一种使用提示和多任务学习来生成自然语言句子的方法，该方法解释了为什么向用户u推荐项目i。我们的方法包括直接将ID向量作为连续提示输入GPT-2。我们在多任务学习框架内采用联合训练机制来优化推荐任务和解释任务。这使我们能够更好地挖掘用户的兴趣和需求，最终提高推荐效率和用户满意度。此外，我们在训练过程中优化了不确定的权重，以确定最佳权重值，提高了模型的泛化能力和鲁棒性。通过实验，我

了解本专栏