LANE：非调优大型语言模型与在线推荐系统的逻辑对齐 —— 用于可解释的原因生成
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
本文综述了大型语言模型（LLMs）在推荐系统中的应用，提出了Logic-Scaffolding框架，通过行为对齐和意图对齐提升推荐解释的可信度。该框架结合推理步骤生成个性化解释，解决了现有模型的局限性。通过多任务学习优化推荐和解释任务，实验证明该方法在多个数据集上表现优异，提升了用户满意度和推荐效果。
❓
Q&A
什么是Logic-Scaffolding框架？
Logic-Scaffolding框架通过行为对齐和意图对齐提升推荐解释的可信度，结合推理步骤生成个性化解释。
如何提高推荐系统的解释质量？
通过LLMXRec框架，推荐模型与基于LLM的解释生成器紧密协作，采用微调技术生成可控且流畅的解释。
大型语言模型在推荐系统中的应用有哪些挑战？
主要挑战包括冷启动问题、公平性和偏见问题，以及理解用户兴趣和捕捉文本信息的限制。
GAL-Rec方法是如何提高推荐性能的？
GAL-Rec通过模仿图神经网络的意图，增强语言模型对用户-物品协作语义的理解能力，从而提高推荐性能。
本文的研究结果在Yelp和Amazon数据集上表现如何？
在Yelp、TripAdvisor和Amazon数据集上，提出的方法在解释能力评估指标上表现优异，分别达到1.59 DIV、0.57 USR和0.41 FCR。
如何通过多任务学习优化推荐和解释任务？
通过联合训练机制，利用用户和项目输入的ID向量作为提示，优化推荐任务和解释任务的效果。
🏷️
