.png){kind=icon}
返回
Adaptive knowledge-augmented multi-domain recommendation with large language models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103619.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）在各类生成任务中展现出巨大潜力，并在多领域推荐场景中获得了广泛关注。然而，现有的推荐解决方案要么仅依赖基于ID的稀疏协同交互，要么仅对物品预测进行简单的文本建模方案，导致推荐性能不尽如人意。受LLMs新兴强大能力的启发，本文提出了一种基于大型语言模型的适应性知识增强多领域推荐框架（KLLMRec）以应对上述挑战，其中利用LLMs作为目标用户的偏好特征提取器，结合其文本和协同信息以及通用知识，提升多领域推荐性能。具体而言，设计了跨多领域的领域共享提示模板，通过LLMs学习用户的不变特征，并提出混合标记编码（MTE）机制将协同和文本语义信号编码为序列表示空间。随后，将构建的用户知识库中的用户通用知识，连同目标域中的协同和语言知识，编码到领域特定提示模板中，以分别学习各领域的偏好特征。此外，提出了自适应评判模型（ACM），通过向LLMs注入评判标记以聚合主题相关样本进行模型训练，并设计了多领域互学习（MML）方法进一步对齐提示模板中的样本语义特征。最后，将多领域和独立域的特征学习损失整合到多领域推荐器中进行多任务训练，生成预测结果。在三个真实数据集上的广泛实验证明了所提KLLMRec方法相较于多种最新基准模型的优越性。此外，进一步的消融研究展示了其在不同推荐场景中的竞争性预测性能，且多重稀疏测试结果也验证了KLLMRec能有效缓解数据稀疏问题。
Keyword:
Large language models
Multi-domain recommendation
Knowledge augmentation
Adaptive Critic Model
Mutual learning
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
引用论文
.png){kind=icon}
HKGCL: Hierarchical graph contrastive learning for multi-domain recommendation over knowledge graphHKGCL: 面向知识图谱多领域推荐的层次图对比学习
PREAI
分享收藏
分享收藏
查看更多内容