研究人员开发了LBR（长度偏差减少）框架，旨在解决用于推荐系统的大型语言模型（LLM）中的长度偏差问题。这种偏差的发生是因为较长的项目描述会不成比例地影响用户偏好建模，并且在解码时会受到固有歧视。LBR采用长度感知注意力校准来中和输入端的偏差，并采用有效信息长度归一化来处理输出端。在Amazon数据集上的实验表明，LBR以最小的开销显著提高了推荐的准确性和公平性，平均NDCG@5提升了16.82%。 AI
影响 减轻了LLM推荐系统中的长度偏差，有望提高个性化内容推荐的准确性和公平性。
排序理由 该集群包含一篇学术论文，详细介绍了改进基于LLM的推荐系统的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.04270v1 Announce Type: cross Abstract: Large language models (LLMs) have recently emerged as powerful backbones for recommender systems by reformulating recommendation as a token-level generation task. Despite their promise, we identify a pervasive yet underexplored is…
Large language models (LLMs) have recently emerged as powerful backbones for recommender systems by reformulating recommendation as a token-level generation task. Despite their promise, we identify a pervasive yet underexplored issue: $\textit{Length Bias}$. Because items are rep…