論文の概要: Hierarchical Interaction Summarization and Contrastive Prompting for Explainable Recommendations
- arxiv url: http://arxiv.org/abs/2507.06044v1
- Date: Tue, 08 Jul 2025 14:45:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:38.232414
- Title: Hierarchical Interaction Summarization and Contrastive Prompting for Explainable Recommendations
- Title（参考訳）: 説明可能なレコメンデーションのための階層的相互作用の要約とコントラストプロンプト
- Authors: Yibin Liu, Ang Li, Shijian Li,
- Abstract要約: 本稿では、階層的相互作用要約(PGHIS)によるプロファイル生成と、説明生成(CPEG)のための対照的なプロンプトを組み合わせた新しいアプローチを提案する。
提案手法は既存の最先端手法よりも優れており,説明可能性(GPTScoreの5%など)とテキスト品質に関する指標の大幅な改善を実現している。
- 参考スコア（独自算出の注目度）: 9.082885521130617
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Explainable recommendations, which use the information of user and item with interaction to generate a explanation for why the user would interact with the item, are crucial for improving user trust and decision transparency to the recommender system. Existing methods primarily rely on encoding features of users and items to embeddings, which often leads to information loss due to dimensionality reduction, sparse interactions, and so on. With the advancements of large language models (LLMs) in language comprehension, some methods use embeddings as LLM inputs for explanation generation. However, since embeddings lack inherent semantics, LLMs must adjust or extend their parameters to interpret them, a process that inevitably incurs information loss. To address this issue, we propose a novel approach combining profile generation via hierarchical interaction summarization (PGHIS), which leverages a pretrained LLM to hierarchically summarize user-item interactions, generating structured textual profiles as explicit representations of user and item characteristics. Additionally, we propose contrastive prompting for explanation generation (CPEG) which employs contrastive learning to guide another reasoning language models in producing high-quality ground truth recommendation explanations. Finally, we use the textual profiles of user and item as input and high-quality explanation as output to fine-tune a LLM for generating explanations. Experimental results on multiple datasets demonstrate that our approach outperforms existing state-of-the-art methods, achieving a great improvement on metrics about explainability (e.g., 5% on GPTScore) and text quality. Furthermore, our generated ground truth explanations achieve a significantly higher win rate compared to user-written reviews and those produced by other methods, demonstrating the effectiveness of CPEG in generating high-quality ground truths.
- Abstract（参考訳）: 説明可能なレコメンデーションは、ユーザとアイテムの情報とインタラクションを使って、ユーザがそのアイテムと対話する理由の説明を生成するもので、レコメンダシステムに対するユーザの信頼と意思決定の透明性を向上させるために不可欠である。
既存の手法は主にユーザやアイテムの特徴を埋め込みに符号化することに依存しており、これは次元の減少や疎結合などによる情報損失につながることが多い。
言語理解における大型言語モデル (LLM) の進歩に伴い、いくつかの手法は説明生成にLLM入力として埋め込みを使用する。
しかし、埋め込みには固有の意味が欠けているため、LLMはパラメータを調整または拡張して解釈する必要がある。
この問題に対処するために,階層的相互作用要約(PGHIS)によるプロファイル生成を組み合わせた新しいアプローチを提案し,事前学習したLCMを用いてユーザと項目のインタラクションを階層的に要約し,ユーザと項目の特徴を明示的な表現として構造化されたテキストプロファイルを生成する。
さらに、コントラスト学習を用いた説明文生成手法(CPEG)を提案する。
最後に、ユーザとアイテムのテキストプロファイルを入力として使用し、高品質な説明を出力として、LCMを微調整して説明を生成する。
複数のデータセットに対する実験結果から,提案手法は既存の最先端手法よりも優れており,説明可能性(GPTScoreでは5%)とテキスト品質に関する指標が大幅に向上していることがわかった。
さらに,我々の生成した地中真実説明は,ユーザによるレビューや他の手法による評価に比べて,極めて高い勝率を達成し,高品質な地中真実生成におけるCPEGの有効性を実証した。
関連論文リスト
- Language Bottleneck Models: A Framework for Interpretable Knowledge Tracing and Beyond [55.984684518346924]
我々は、知識追跡を逆問題として再考する: 過去の回答を説明できる最小限の自然言語要約を学習し、将来の回答を予測できる。
我々のLanguage Bottleneck Model(LBM)は、解釈可能な知識要約を書くエンコーダLLMと、その要約テキストのみを使用して生徒の反応を再構成し予測しなければならないフリーズデコーダLLMで構成されている。
合成算術ベンチマークと大規模Eediデータセットの実験により、LBMは最先端のKT法と直接LLM法の精度に匹敵する一方で、受講者軌道のオーダーを少なくすることを示した。
論文 参考訳（メタデータ） (2025-06-20T13:21:14Z) - Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。
我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
論文 参考訳（メタデータ） (2025-05-01T22:02:46Z) - Training Large Recommendation Models via Graph-Language Token Alignment [53.3142545812349]
本稿では,グラフ言語トークンアライメントによる大規模推薦モデルのトレーニングを行う新しいフレームワークを提案する。
インタラクショングラフからアイテムとユーザノードを事前訓練されたLLMトークンにアライメントすることで、GLTAはLLMの推論能力を効果的に活用する。
さらに、エンドツーエンドのアイテム予測のためのトークンアライメントを最適化するために、GLLM(Graph-Language Logits Matching)を導入する。
論文 参考訳（メタデータ） (2025-02-26T02:19:10Z) - G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation [48.23263809469786]
本稿では,グラフ検索拡張大言語モデル (LLM) を用いた提案手法を提案する。
G-Referは、説明可能性と安定性の両方において既存の手法と比較して優れた性能を達成する。
論文 参考訳（メタデータ） (2025-02-18T06:42:38Z) - Eliciting Causal Abilities in Large Language Models for Reasoning Tasks [14.512834333917414]
我々は,LLMが高品質で低品質な観測データを生成することができる自己因果的指導強化法(SCIE)を導入する。
SCIEでは、命令は治療として扱われ、自然言語を処理するためにテキストの特徴が使用される。
提案手法は,プロンプトのトレーニングコストを削減し,推論性能を向上させる命令を効果的に生成する。
論文 参考訳（メタデータ） (2024-12-19T17:03:02Z) - Con-ReCall: Detecting Pre-training Data in LLMs via Contrastive Decoding [118.75567341513897]
既存のメソッドは通常、ターゲットテキストを分離して分析するか、非メンバーコンテキストでのみ分析する。
Con-ReCallは、メンバと非メンバのコンテキストによって誘導される非対称な分布シフトを利用する新しいアプローチである。
論文 参考訳（メタデータ） (2024-09-05T09:10:38Z) - MAPLE: Enhancing Review Generation with Multi-Aspect Prompt LEarning in Explainable Recommendation [12.68667064916211]
我々は、MAPLE(Multi-Aspect Prompt LEarner)と呼ばれるパーソナライズされたアスペクト制御モデルを提案する。
レストラン領域における2つの実世界レビューデータセットによる実験により、MAPLEはベースラインレビュー生成モデルよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2024-08-19T10:12:52Z) - ELCoRec: Enhance Language Understanding with Co-Propagation of Numerical and Categorical Features for Recommendation [38.64175351885443]
大規模言語モデルは自然言語処理(NLP)領域で栄えている。
レコメンデーション指向の微調整モデルによって示された知性にもかかわらず、LLMはユーザーの行動パターンを完全に理解するのに苦労している。
既存の作業は、その重要な情報を導入することなく、与えられたテキストデータに対してのみLLMを微調整するだけである。
論文 参考訳（メタデータ） (2024-06-27T01:37:57Z) - RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。
本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。
効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
論文 参考訳（メタデータ） (2023-11-18T03:05:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。