A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation

在线视频平台上，阅读或撰写有趣视频的评论已成为观看视频体验的重要组成部分。然而，现有的视频推荐系统主要模拟用户与视频的交互行为，缺乏对评论在用户行为建模中的考虑。在本文中，我们提出了一种新颖的推荐方法LSVCR，通过利用用户与视频和评论的交互历史，共同进行个性化视频和评论推荐。具体而言，我们的方法包括两个关键组成部分，即顺序推荐（SR）模型和补充大型语言模型（LLM）推荐器。SR模型作为我们方法的主要推荐骨干（在部署中保留），可实现高效的用户偏好建模。同时，我们利用LLM推荐器作为补充组件（在部署中丢弃），以更好地捕捉异构交互行为中的潜在用户偏好。为了整合SR模型和补充LLM推荐器的优点，我们设计了一个两阶段的训练范式。第一阶段是个性化偏好对齐，旨在对齐两个组件的偏好表示，从而增强SR模型的语义。第二阶段是面向推荐的微调，在此微调对齐增强的SR模型，以实现特定目标。在视频和评论推荐任务中进行了广泛的实验，证明了LSVCR的有效性。此外，在快手平台上进行的在线A/B测试验证了我们方法带来的实际收益。特别是，我们在评论观看时间方面取得了显着的总体增益4.13%。

提出一种新的视频和评论推荐方法，考虑用户对视频和评论的交互历史，以提高个性化推荐效果。

LSVCR方法通过序列推荐模型和大型语言模型推荐器两个关键组件，进行视频和评论的联合个性化推荐。通过两阶段训练，将两个组件的优势结合起来，实现更好的个性化推荐效果。

LSVCR方法在视频和评论推荐任务中进行了广泛实验，并在快手平台进行了在线A/B测试，证明了其有效性。论文还介绍了两个阶段的训练方法，以及实验细节和结果。

最近的相关研究包括基于用户交互历史的推荐方法，以及利用大型语言模型进行推荐的方法。