论文
每个偏好都有其优势：将序数语义注入基于 LLM 的推荐器
Every Preference Has Its Strength: Injecting Ordinal Semantics into LLM-Based Recommenders
摘要
最近的工作表明，大语言模型 (LLM) 可以通过混合提示集成协同过滤 (CF) 信号来增强推荐系统。然而，大多数现有的 CF-LLM 框架将显式评级折叠为隐式或仅正面反馈，丢弃了传达细粒度偏好强度的序数结构。因此，这些模型很难利用分级语义和细微的偏好区别。我们提出了序数语义锚定 (OSA)，这是一种混合 CF-LLM 框架，它通过对交互级别的用户反馈进行建模来明确纳入偏好强度。 OSA 将序数偏好级别表示为数字文本标记，并使用其标记嵌入作为语义锚来对齐 LLM 潜在空间中的用户-项目交互表示。通过跨序数级别的强度感知对齐，OSA 在将协作信号与 LLM 集成时保留偏好语义。对多个真实世界数据集的实验表明，OSA 始终优于现有基线，特别是在成对偏好评估方面，突显了其在建模细粒度用户偏好方面优于先前的 CF-LLM 方法的有效性。