Uncertainty-Aware Explainable Recommendation with Large Language Models

📄 arXiv: 2402.03366v1 📥 PDF

作者: Yicui Peng, Hao Chen, Chingsheng Lin, Guo Huang, Jinrong Hu, Hui Guo, Bin Kong, Shu Hu, Xi Wu, Xin Wang

分类: cs.IR, cs.AI, cs.CL, cs.LG

发布日期: 2024-01-31

💡 一句话要点

提出基于大语言模型的推荐系统不确定性解释方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 推荐系统 可解释性 大语言模型 多任务学习 用户满意度 文本生成 数据集评估

📋 核心要点

  1. 现有的推荐系统在提供解释方面存在效率低下和计算资源消耗大的问题，难以满足用户的需求。
  2. 本文提出通过训练提示而非直接优化大语言模型，利用用户和项目的ID向量作为GPT-2的输入，结合多任务学习优化推荐和解释任务。
  3. 实验结果显示，所提方法在多个数据集上均优于现有的四种最先进的方法，显著提升了解释性评估指标。

📝 摘要（中文）

在推荐系统中提供解释可以提升用户满意度和信任度，尤其是通过阐明推荐项目的选择原因。当前主流方法主要集中在生成基于文本的解释，尤其是应用大语言模型（LLMs）。然而，由于时间和计算资源的限制，优化LLMs用于可解释推荐变得不切实际。本文提出了一种新方法，利用用户和项目输入的ID向量作为GPT-2的提示，并在多任务学习框架下采用联合训练机制，优化推荐任务和解释任务。这一策略有效提升了用户兴趣的探索，改善了推荐效果和用户满意度。实验结果表明，该方法在Yelp、TripAdvisor和Amazon数据集上分别取得了1.59 DIV、0.57 USR和0.41 FCR的优异表现，超越了四种最先进的方法，并在三个公共数据集上保持了稳定的文本质量。

🔬 方法详解

问题定义：本文旨在解决推荐系统中解释性不足的问题，现有方法在时间和计算资源上存在显著限制，难以有效优化大语言模型（LLMs）。

核心思路：通过训练提示而非直接优化LLMs，利用用户和项目的ID向量作为GPT-2的输入，结合多任务学习框架，优化推荐和解释任务，从而提升用户满意度和推荐效果。

技术框架：整体架构包括用户和项目ID向量的输入模块、GPT-2生成模块以及多任务学习的联合训练机制。该框架通过同时优化推荐和解释任务，增强了模型的学习能力。

关键创新：最重要的技术创新在于将用户和项目的ID向量作为提示输入，而非直接优化LLMs，这一设计有效降低了计算资源消耗，同时提升了解释的质量和用户体验。

关键设计：在模型训练中，采用了特定的损失函数来平衡推荐任务和解释任务的优化，确保模型在生成解释时保持高质量的文本输出。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，所提方法在Yelp、TripAdvisor和Amazon数据集上分别取得了1.59 DIV、0.57 USR和0.41 FCR，显著优于四种最先进的方法，提升幅度明显，且在文本质量上保持稳定。

🎯 应用场景

该研究的潜在应用领域包括电商平台、社交媒体和内容推荐系统等，能够有效提升用户对推荐结果的理解和信任，进而推动用户的购买决策和平台的用户粘性。未来，该方法有望在更多领域推广应用，促进个性化推荐的发展。

📄 摘要（原文）

Providing explanations within the recommendation system would boost user satisfaction and foster trust, especially by elaborating on the reasons for selecting recommended items tailored to the user. The predominant approach in this domain revolves around generating text-based explanations, with a notable emphasis on applying large language models (LLMs). However, refining LLMs for explainable recommendations proves impractical due to time constraints and computing resource limitations. As an alternative, the current approach involves training the prompt rather than the LLM. In this study, we developed a model that utilizes the ID vectors of user and item inputs as prompts for GPT-2. We employed a joint training mechanism within a multi-task learning framework to optimize both the recommendation task and explanation task. This strategy enables a more effective exploration of users' interests, improving recommendation effectiveness and user satisfaction. Through the experiments, our method achieving 1.59 DIV, 0.57 USR and 0.41 FCR on the Yelp, TripAdvisor and Amazon dataset respectively, demonstrates superior performance over four SOTA methods in terms of explainability evaluation metric. In addition, we identified that the proposed model is able to ensure stable textual quality on the three public datasets.