港大发表XRec推荐大模型，会说话的推荐系统，提高推荐系统可解释性

主要观点总结

本文介绍了香港大学发表的推荐大模型XRec，它通过结合大模型和推荐系统的能力，为用户提供推荐理由。XRec利用图神经网络和大型语言模型，揭示用户与物品之间的潜在关系，并生成解释。实验证明，XRec在可解释的推荐系统中优于基线方法，并能生成清晰、全面的解释。

关键观点总结

关键观点1: XRec模型的目标是提高推荐系统的透明度，提供用户与物品交互的潜在原因的解释。

XRec结合了大型语言模型（LLM）和推荐系统的能力，以生成全面的推荐解释。

关键观点2: XRec利用图神经网络（GNN）捕获用户和物品之间的协作关系，并生成嵌入。

通过利用L层GNN对用户-物品交互图进行编码，XRec能够揭示用户偏好的复杂模式。

关键观点3: XRec通过引入协作关系标记器、基于图的消息传递和协作图标记器等技术，有效地建模用户偏好。

这些技术帮助XRec理解用户-物品交互中的复杂模式，并生成有意义的解释。

关键观点4: 实验证明XRec在可解释的推荐系统中的有效性。

在多个数据集上的实验结果表明，XRec在可解释性和稳定性方面优于基线方法。此外，XRec还展示了在数据稀疏情况下的鲁棒性，特别是在处理新用户或项目时具有潜力。