BriefGPT - AI 论文速递
·
ReasoningRec: 通过大型语言模型推理架构连接个性化推荐与人类可解释的解释
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
为提升用户满意度，推荐系统需提供解释。我们开发了一种模型，利用用户和项目ID向量作为GPT-2的提示，通过联合训练优化推荐与解释任务。实验结果显示，该方法在Yelp、TripAdvisor和Amazon数据集上表现优异，确保文本质量稳定。
🎯
关键要点
- 推荐系统提供解释可以提高用户满意度和建立信任。
- 当前主要方法是生成基于文本的解释，侧重于应用大型语言模型（LLMs）。
- 由于时间和计算资源限制，细化LLMs的工作并不可行。
- 本研究开发了一种模型，利用用户和项目ID向量作为GPT-2的提示。
- 采用多任务学习框架，通过联合训练优化推荐和解释任务。
- 该策略有效探索用户兴趣，提高推荐效果和用户满意度。
- 实验结果显示，该方法在Yelp、TripAdvisor和Amazon数据集上表现优异。
- 在解释能力评估指标上，模型分别达到1.59 DIV、0.57 USR和0.41 FCR。
- 所提出的模型确保在三个公共数据集上文本质量的稳定。
➡️
