Empowering Denoising Sequential Recommendation with Large Language Model Embeddings

该文章提出了一种融合大语言模型（LLM）语义嵌入的去噪序列推荐框架IADSR，有效解决了传统方法依赖协同信息导致的过去噪问题，尤其提升了冷启动物品的推荐性能。

一、文章主要内容总结

1. 研究背景与问题
   • 序列推荐需捕捉用户-物品交互的时序模式，但交互数据中存在意外点击、探索性行为等噪声，会降低推荐性能。
   • 现有去噪方法仅依赖协同信息（如用户-物品交互矩阵），对交互稀疏的冷启动物品易误判为噪声，导致过去噪问题。
2. 核心框架：IADSR（Interest Alignment for Denoising Sequential Recommendation）
   • 第一阶段：双表征学习：分别从传统序列推荐模型获取物品的协同嵌入，从LLM（通过LLM2Vec）获取物品文本描述的语义嵌入。
   • 第二阶段：跨模态对齐与噪声识别：通过InfoNCE损失对齐协同与语义嵌入，结合用户的长期和短期兴趣，利用Gumbel-Sigmoid函数生成二进制掩码，筛选出噪声交互；同时加入序列重构机制，避免关键信息丢失。
3. 实验验证
   • 在4个公开数据