LANE: Logic Alignment of Non-tuning Large Language Models and Online Recommendation Systems for Explainable Reason Generation

推荐系统的可解释性对于增强用户信任和满意度至关重要。利用大型语言模型（LLMs）为综合推荐逻辑生成提供了新的机会。然而，在现有相关研究中，为推荐任务微调LLM模型会产生高计算成本和与现有系统的对准问题，限制了已证明的专有/闭源LLM模型（如GPT-4）的应用潜力。在这项工作中，我们提出了一种有效的策略LANE，将LLMs与在线推荐系统对齐，无需额外的LLMs微调，降低成本并提高可解释性。这种创新方法解决了将语言模型与推荐系统集成的关键挑战，同时充分利用了强大的专有模型的能力。具体而言，我们的策略通过几个关键组件运作：语义嵌入、使用零样本提示提取用户多偏好、语义对齐以及使用思维链（CoT）提示的可解释推荐生成。通过嵌入物品标题而不是ID并利用多头注意机制，我们的方法将用户偏好的语义特征与候选物品的语义特征对齐，确保一致和用户对齐的推荐。充分的实验结果，包括性能比较、问卷投票和可视化案例，证明了我们的方法不仅可以确保推荐性能，而且可以提供易于理解和合理的推荐逻辑。

提高推荐系统的可解释性，同时利用大型语言模型进行全面的推荐逻辑生成。

提出了一种名为LANE的策略，通过语义嵌入、使用零样本提示提取用户多重喜好、语义对齐和使用CoT提示生成可解释的推荐，将LLMs与在线推荐系统对齐，而无需额外的LLMs调整，从而降低成本并提高可解释性。

使用嵌入项标题而不是ID，并利用多头注意机制，使我们的方法将用户喜好的语义特征与候选项的语义特征对齐，确保连贯和用户对齐的推荐。实验结果表明，我们的方法不仅可以确保推荐性能，而且可以提供易于理解和合理的推荐逻辑。

最近的相关研究包括Fine-tuning LLM模型以进行推荐任务的研究，但这会产生高计算成本和与现有系统的对齐问题，限制了专有/闭源LLM模型（如GPT-4）的应用潜力。