论文
利用语言模型实现推理引导协同过滤的可解释推荐
Reasoning-guided Collaborative Filtering with Language Models for Explainable Recommendation
摘要
大语言模型（LLM）在可解释推荐系统中展现出潜力，但忽视了协同信号，而主流方法将推荐与解释视为相互分离的任务，导致内存占用。我们提出RGCF-XRec，一个混合框架，它将推理引导的协同过滤（CF）知识引入语言模型，以单步交付可解释的序列推荐。理论依据和实证结果表明，RGCF-XRec相较领先的CF感知LLM方法具有三个关键优点：(1)通过上下文提示对CF知识进行推理引导增强，以发现潜在偏好和可解释的推理路径；(2)基于连贯性、完整性、相关性和一致性四个维度的高效评分机制，以缓解含噪的CF推理轨迹并保留高质量解释；(3)统一的表示学习网络，编码协同信号与语义信号，使结构化提示能够对LLM进行条件化以实现可解释序列推荐。RGCF-XRec在共含642,503条用户-物品交互的Amazon数据集Sports、Toys和Beauty上展现出一致改进。它在Sports上将HR@10提升7.38%，在Toys上提升4.59%，ROUGE-L则分别提升8.02%和3.49%。它缩小了冷热启动性能差距，在冷启动和暖启动场景中分别取得14.5%和11.9%的总体增益，并在Beauty和Toys上将零样本HR@5分别提升18.54%和23.16%，凸显了有效的泛化能力与鲁棒性。此外，RGCF-XRec凭借轻量级LLaMA 3.2-3B主干实现了训练效率，确保了面向真实世界应用的可扩展性。
