LLM explanations for recommendations optimized with pairwise ranking

研究人员开发了一种经济高效的方法，通过分离生成和选择过程来生成推荐系统中的解释。来自 LLM 的预生成解释由一个小型、驻留在 CPU 上的模型进行选择，从而降低了延迟和成本。该方法在 Google Local 和 MovieLens 1M 数据集上进行了测试，结果表明 LambdaRank 等成对学习排序方法优于单动作强化学习技术，在 Google Local 上实现了 0.500 的 BERTScore-F1。研究还发现，不同的 LLM 生成器，如 Claude 3 Haiku 和 Claude Haiku 4.5，对选择器的排名性能影响很小。 AI

影响 优化了推荐系统中 LLM 解释的生成，降低了实时应用的成本和延迟。

排序理由 学术论文，详细介绍了优化推荐系统中 LLM 解释的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

• BERTScore-F1
• Claude 3 Haiku
• Claude Haiku 4.5
• Claude Sonnet 4.5
• Direct Preference Optimization
• G-Refer
• Grpo
• Hugging Face
• LambdaRank
• MovieLens 1M
• Proximal Policy Optimization
• XRecSys: A framework for path reasoning quality in explainable recommendation

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →