GaVaMoE：用于可解释推荐的高斯变分门控专家混合模型
原文中文，约500字，阅读约需1分钟。发表于：。本研究针对大语言模型在可解释推荐中面临的用户-项目协作偏好建模、个性化解释和稀疏交互处理等问题，提出了GaVaMoE框架。通过结合变分自编码器和高斯混合模型的评分重构模块，以及细粒度的专家模型，GaVaMoE实现了高度个性化的推荐解释，并在稀疏用户-项目交互的情况下仍能保持优质的解释效果。
在推荐系统中，为提高用户满意度和信任，解释推荐内容很重要。传统方法依赖大型语言模型，但资源有限。研究提出用用户和项目ID向量作为GPT-2提示，通过多任务学习优化推荐和解释。在Yelp、TripAdvisor和Amazon数据集上，该方法在解释能力上表现出色，提升用户满意度并保持文本质量。
