用于可解释建议的序列感知 大语言模型

大语言模型 (LLM) 在为推荐系统生成自然语言解释方面表现出了强大的潜力。然而，现有的方法常常忽视用户行为的连续动态，并依赖于与实际效用不相符的评估指标。我们提出了 SELLER（基于序列感知 LLM 的可解释推荐框架），它将解释生成与实用感知评估相结合。 SELLER 将捕获用户行为和项目语义的双路径编码器与 Mixture-of-Experts 适配器相结合，以将这些信号与 LLM 对齐。统一的评估框架通过文本质量及其对推荐结果的影响来评估解释。公共基准实验表明，SELLER 在解释质量和现实世界实用性方面始终优于先前的方法。