XRec: Large Language Models for Explainable Recommendation

要約

レコメンダー システムは、ユーザーの好みに合わせてパーソナライズされた推奨事項を提供することで、ユーザーが情報過多に対処できるように支援します。
協調フィルタリング (CF) は広く採用されているアプローチですが、グラフ ニューラル ネットワーク (GNN) や自己教師あり学習 (SSL) などの高度な技術では、ユーザー表現を改善するために CF モデルが強化されていますが、多くの場合、推奨される内容について説明する機能が不足しています。
アイテム。
説明可能な推奨事項は、推奨事項の意思決定プロセスに対する透明性と洞察を提供し、ユーザーの理解を高めることで、このギャップに対処することを目的としています。
この取り組みでは、大規模言語モデル (LLM) の言語機能を活用して、説明可能な推奨システムの限界を押し広げます。
XRec と呼ばれるモデルに依存しないフレームワークを導入します。これにより、LLM はレコメンダー システムにおけるユーザーの行動について包括的な説明を提供できるようになります。
このフレームワークは、協調信号を統合し、軽量の協調アダプターを設計することにより、LLM がユーザーとアイテムのやり取りにおける複雑なパターンを理解し、ユーザーの好みをより深く理解できるようにします。
私たちの広範な実験は XRec の有効性を実証し、説明可能なレコメンダー システムのベースライン アプローチを上回る、包括的で意味のある説明を生成する能力を示しています。
モデルの実装は https://github.com/HKUDS/XRec でオープンソース化されています。

要約(オリジナル)

Recommender systems help users navigate information overload by providing personalized recommendations aligned with their preferences. Collaborative Filtering (CF) is a widely adopted approach, but while advanced techniques like graph neural networks (GNNs) and self-supervised learning (SSL) have enhanced CF models for better user representations, they often lack the ability to provide explanations for the recommended items. Explainable recommendations aim to address this gap by offering transparency and insights into the recommendation decision-making process, enhancing users’ understanding. This work leverages the language capabilities of Large Language Models (LLMs) to push the boundaries of explainable recommender systems. We introduce a model-agnostic framework called XRec, which enables LLMs to provide comprehensive explanations for user behaviors in recommender systems. By integrating collaborative signals and designing a lightweight collaborative adaptor, the framework empowers LLMs to understand complex patterns in user-item interactions and gain a deeper understanding of user preferences. Our extensive experiments demonstrate the effectiveness of XRec, showcasing its ability to generate comprehensive and meaningful explanations that outperform baseline approaches in explainable recommender systems. We open-source our model implementation at https://github.com/HKUDS/XRec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google