DRE: Generating Recommendation Explanations by Aligning Large Language Models at Data-level

推荐系统在各个领域中都扮演着至关重要的角色，基于用户行为建议物品。然而，推荐结果缺乏透明度可能导致用户困惑。本文介绍了数据级别推荐解释（DRE）——一个适用于黑盒推荐模型的非侵入式解释框架。与现有方法不同，DRE不需要任何推荐模型的中间表示或潜在对齐训练，从而减轻了潜在的性能问题。我们提出了一种数据级别对齐方法，利用大型语言模型推理用户数据和推荐物品之间的关系。此外，我们通过引入目标感知用户偏好蒸馏来解决丰富解释细节的挑战，利用物品评论。基准数据集上的实验结果表明，DRE在提供准确和用户中心化的解释方面是有效的，提高了用户与推荐物品的互动。

解决透明度不足的推荐系统中给用户提供解释的问题，提高用户对推荐物品的接受度。

提出了一种数据级别的推荐解释框架（DRE），可以在不干扰黑盒推荐模型的情况下提供准确的解释。使用大型语言模型来推理用户数据和推荐物品之间的关系，并利用物品评论进行目标感知的用户偏好提取，丰富解释的细节。

实验结果表明，DRE可以提供准确且用户中心的解释，提高用户对推荐物品的接受度。论文使用了benchmark数据集，没有开源代码。值得深入研究。

最近的相关研究包括《Explainable Recommendation: A Survey and New Perspectives》、《Explainable Recommendation: A Survey of Recent Advances and Future Directions》等。