Reproducibility Study of “XRec: Large Language Models for Explainable Recommendation“

该文章是对XRec可解释推荐框架的复现研究，核心是验证原框架效果并探究MoE模块与GNN嵌入的作用，同时通过修改模型组件拓展了原研究的分析维度。

一、文章主要内容总结

1. 研究背景与目标
   • 背景：传统推荐系统多为“黑箱”，可解释性不足；原研究提出XRec框架，结合协同过滤（CF）与大语言模型（LLMs）生成个性化推荐解释。
   • 目标：用Llama 3替代原研究的GPT-3.5-turbo复现XRec结果，并通过修改MoE模块的输入/输出嵌入拓展研究，验证原框架4个核心主张。
2. 研究方法
   • 模型基础：XRec含三大组件——协同关系分词器（LightGCN提取用户-物品嵌入）、协同信息适配器（MoE模块转换嵌入以适配LLM）、CF与LLM融合模块（注入嵌入并生成解释）。
   • 实验设计：分为复现实验（验证原框架在3个数据集上的效果，含有无用户/物品轮廓、有无嵌入注入的对比）和拓展实验（移除MoE适配嵌入、用固定随机嵌入替代GNN嵌入）。
   • 评价指标：采用LlamaScore（替代GPTScore）、BERTScore等评估可解释性，用指标标准差评估稳定性，同时计算实验的碳