.png){kind=icon}
返回
Efficient and explainable sequential recommendation with language model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ipm.2025.104122.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受大型语言模型（LLMs）在广泛自然语言处理（NLP）任务中取得卓越成功的启发，将其应用于可解释推荐已成为近期的研究前沿。然而，由于信息与知识聚焦中固有的不一致性，大多数现有解决方案将物品推荐与解释生成视为两个独立过程，导致高昂的计算成本和内存占用。此外，这些方案在解释生成时更关注物品侧（即物品属性和描述），而忽略了用户个性化偏好。为弥补这一差距，本文提出了一种个性化可解释序列推荐模型，旨在通过单次推理步骤输出推荐结果及其对应的个性化解释。此外，为缓解巨大的计算成本，我们设计了用于参数高效微调（PEFT）的重缩放适配器和快速傅里叶变换（FFT）适配器。理论依据和实验结果证实，与主流PEFT方案相比，我们的适配器具有三方面优势：（1）在全序列范围内具有更大的感受野，用于建模长期依赖关系；（2）在正交基中进行元素乘积，用于噪声抑制和信号放大；（3）具有更优的对齐性和均匀性特性，以实现精确推荐。在三个公开数据集上，与九种序列推荐方案和三种解释生成方案进行的全面实验表明，我们的PLEASER模型仅通过5%参数微调便显著优于基线方法。代码见 https://github.com/WHUIR/PLEASER。
Keyword:
Sequential recommendation
Explainable recommendation
Parameter-efficient fine-tuning
期刊
I
IF:
6.9
论文数:
5.2K
被引数:
1.4W
机构
暂无机构信息
引用论文
.png){kind=icon}
Reinforcement Learning-Enhanced Shared-Account Cross-Domain Sequential Recommendation强化学习-增强型共享账户跨域顺序推荐
OAAI
OAAI分享收藏P-Tuning: Prompt Tuning Can Be Comparable to Fine-tuning Across Scales and TasksP调整: 即时调整可以与跨规模和任务的微调相媲美OAAI
OAAI分享收藏Integrating user short-term intentions and long-term preferences heterogeneous hypergraph networks for sequential recommendation集成用户短期意图和长期偏好异构超图网络的顺序推荐
PREAI
分享收藏
查看更多内容