CherryRec: Enhancing News Recommendation Quality via LLM-driven Framework

大型语言模型（LLMs）在语言理解和生成方面取得了显著进展。利用文本特征的定制LLMs已应用于推荐系统，在各种推荐场景中展现出改进的效果。然而，大多数现有方法基于预训练的知识（例如电影推荐）执行未经训练的推荐，而LLMs的自回归生成导致推理速度缓慢，使它们在实时推荐中不太有效。为解决这个问题，我们提出了一个使用LLMs进行新闻推荐的框架，名为CherryRec，它可以确保推荐的质量并加速推荐过程。具体而言，我们采用知识感知的新闻快速选择器来检索候选选项，该选择器基于用户的交互历史。然后，将历史记录和检索到的项目作为文本输入到微调的LLMs中，即内容感知的新闻LLMs评估器，旨在增强新闻推荐能力。最后，价值感知的新闻评分器将这些分数集成起来计算CherryRec评分，作为最终推荐的基础。我们通过在基准数据集上与最先进的基线方法进行比较来验证所提出的框架的有效性。我们的实验结果一致表明，CherryRec在推荐性能和效率方面优于基线。项目资源可在以下网址访问：\url{https://github.com/xxxxxx}。

本论文提出了一个名为CherryRec的新闻推荐框架，旨在提高推荐效率和质量，解决了传统的基于预训练知识的推荐方法速度慢、实时性差的问题。

CherryRec框架包括三个部分：基于知识的新闻快速选择器、内容感知的新闻LLM评估器和价值感知的新闻得分器。通过这三个部分的协作，实现了高效的新闻推荐。

论文通过实验验证了CherryRec框架的有效性，比基线方法在推荐性能和效率方面表现更好。研究还开源了项目资源，并提供了多个基准数据集。

在新闻推荐领域，最近的相关研究包括：《Neural News Recommendation with Long-and Short-term User Representations》、《A Hybrid Collaborative Filtering Model with Deep Structured Semantic Model for Recommender Systems》等。