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