A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation

本文是LLM系列文章，针对《A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation》的翻译。

摘要

在在线视频平台中，阅读或撰写有趣视频的评论已成为视频观看体验的重要组成部分。然而，现有的视频推荐系统主要对用户与视频的互动行为进行建模，在用户行为建模中缺乏对评论的考虑。
在本文中，我们提出了一种新的推荐方法，称为LSVCR，通过利用用户与视频和评论的互动历史，共同进行个性化的视频和评论推荐。具体来说，我们的方法由两个关键组件组成，即顺序推荐（SR）模型和补充大语言模型（LLM）推荐器。SR模型作为我们方法的主要推荐骨干（保留在部署中），允许进行高效的用户偏好建模。同时，我们利用LLM推荐器作为补充组件（在部署中丢弃），从异构交互行为中更好地捕获潜在的用户偏好。为了综合SR模型和补充LLM推荐器的优点，我们设计了一个两阶段的训练范式。第一阶段是个性化偏好对齐，旨在对齐来自两个组件的偏好表示，从而增强SR模型的语义。第二阶段是面向推荐的微调，其中根据特定目标对对准增强的SR模型进行微调。在视频和评论推荐任务中进行的大量实验证明了LSVCR的有效性。此外，快手平台上的在线A/B测试验证了我们的方法带来的实际好处。特别是，我们在评论观看时间上实现了4.13%的显著总体增长。

1 引言

2 问题定义

3 方法

4 实验

5 相关工作

6 结论

在本文中，我们提出了一种称为LSVCR的新框架，该框架利用用户与视频和评论的交互历史来进行联合视频和评论推荐。