用于顺序推荐的基于原型的生成项目表示

顺序推荐旨在通过分析用户的历史行为来预测用户的下一次与项目的交互。然而，项目表示的质量有限仍然是一个关键瓶颈。虽然预训练的 大语言模型 (LLM) 可以提供丰富的语义表示，但现有方法仅依赖于固定属性的静态编码，忽略了目标受众在定义项目身份中的关键作用。此外，语义空间难以反映实际的用户行为，导致语义表示和行为模式之间存在显着差距。为了解决这些限制，我们提出了 GenAIR，这是一个通用框架，它通过基于生成原型的项目表示来支持顺序推荐。具体来说，我们首先利用 LLM 来分析项目元数据并推断原型的文本描述，它代表了项目理想目标受众的概念概况。然后，我们在一次前向传递中提取相应的嵌入。此外，为了将这些生成原型扎根于现实世界的行为中，我们引入了行为校准目标，它明确地结合了来自实际交互的行为信号。该目标调整嵌入空间的结构以反映经验模式。 GenAIR 能够与大多数现有模型无缝集成，同时保持高效率。对三个真实世界数据集进行的综合实验表明，GenAIR 显着提高了各种顺序推荐模型的性能，并始终优于最先进的基线方法。实现代码可在 https://github.com/AI-Santiago/GenAIR 获取。