【WWW2025】释放大型语言模型在去噪推荐中的强大能力

推荐系统对于个性化用户体验至关重要，但通常依赖于隐式反馈数据，而这些数据可能噪声较大且具有误导性。现有的去噪研究涉及通过整合辅助信息或从交互数据中学习策略。然而，这些方法面临外部知识和交互数据固有的局限性，以及某些预定义假设的非普适性，导致无法准确识别噪声。近年来，大型语言模型（LLMs）因其广泛的世界知识和推理能力而受到关注，但它们在增强推荐系统中去噪方面的潜力仍未得到充分探索。本文提出了LLaRD框架，通过利用LLMs来改善推荐系统中的去噪，从而提升整体推荐性能。具体而言，LLaRD通过先使用LLMs丰富观测数据中的语义洞察，并推断用户-项目的偏好知识，来生成与去噪相关的知识。接着，它在用户-项目交互图上应用一种新颖的链式思维（Chain-of-Thought, CoT）技术，揭示与去噪相关的关系知识。最后，它应用信息瓶颈（Information Bottleneck, IB）原理，将LLM生成的去噪知识与推荐目标对齐，从而过滤掉噪声和不相关的LLM知识。实证结果证明，LLaRD在提升去噪和推荐准确性方面的有效性。代码可在 https://github.com/shuyao-wang/LLaRD 获取。