解读用户偏好：一种基于大语言模型的面向可解释评论推荐的解耦图模型

《Information & Management》：Deciphering user preferences: A large language model-based disentangled graph model for explainable review-based recommendation

　　

- 利用大语言模型从在线评论中提取用户偏好。
- 提出一种解耦图模型，以识别消费者决策的驱动因素。
- 设计两个更贴近消费者真实偏好的偏好辅助任务。
- 通过四个真实数据集上的定量分析验证模型。

引言
推荐系统已被电商平台和社交媒体平台广泛使用，通过从交互历史中识别消费者偏好来提供个性化的产品或信息推荐 [1]。例如，Netflix 将约 337 亿美元的收入以及大部分客户留存成功归功于其推荐系统 [2]。早期的推荐系统通常依赖于协同过滤技术 [3]、[4] 来建模用户偏好与候选物品之间的相关性。尽管这些方法表现出色，但大多数仍属于黑箱模型，难以解释哪些具体偏好驱动了消费者决策。

显性偏好在塑造消费者决策过程中发挥着关键作用。例如，Airbnb 的最新数据显示，五分之四的住宿搜索使用了至少一个属性筛选器。1 此外，策略性地纳入用户看重的设施已被证明能显著提升房源在目标搜索中的吸引力。2 这些行业观察揭示了一个关键洞察：与其依赖粗粒度的产品整体相似度，捕捉用户的真实决策意图能够赋能推荐系统精确对齐实际需求。因此，这种意图感知的方法能有效缓解当产品在表面上看似相似但本质上与用户偏好不匹配时产生的推荐偏差 [5]。

正因如此，先前的研究开发了可解释的推荐方法来解释用户为何可能偏好推荐物品 [6]。一些方法将用户和物品的标识表示解耦为多个潜在方面 [7]、[8]，或利用注意力机制识别相关的用户/物品 [9]。然而，这些标识级别的可解释推荐往往过于粗粒度，无法捕捉细腻的用户偏好，使其与人类直觉不一致，限制了其实际应用 [10]。因此，除了用户-物品交互外，标签、属性和评论等附加信息也被纳入以增强可解释推荐的性能 [11]。在这些信息中，在线评论易于获取且通常明确反映用户动机，是推断用户偏好的宝贵来源 [12]、[13]，因此受到越来越多的关注 [14]。因此，本研究聚焦于基于评论的可解释推荐。

基于解释生成原理，基于评论的可解释推荐方法可分为基于生成的方法和基于提取的方法。基于生成的方法使用自然语言生成技术从评论中推导反映用户偏好的具体话题。用户和物品随后被表示为这些话题上的分布，并被输入深度模型进行推荐和解释生成 [11]、[15]。基于提取的方法专注于直接从评论文本中提取词语或短语作为解释 [16]、[17]。尽管现有方法取得了一些成功，但它们仍面临三大挑战：

(i) 缺乏偏好级别的具体表达。现有研究通常只提取宽泛的话题词或属性词，但无法识别具体的偏好表达。如图 1(a) 所示，LDA 可以识别"电池"这一总体话题 [18]，但无法进一步识别对电池续航时长的更具体偏好，这很容易与充电速度或电池安全性混淆。此外，这些话题词需要领域专家来推断潜在的偏好主题，增加了分析人员的心智负担。这种生成偏好与实际消费者偏好之间的不匹配，使平台无法通过推荐模型准确理解特定的用户需求，阻碍了精准营销和产品设计优化。

(ii) 无法量化不同偏好的影响。现有研究主要从评论中提取多个用户偏好，并将其合并为单一的聚合表示以预测用户-物品交互 [19]、[20]。然而，在这些偏好特定表示之间缺乏严格独立性的情况下，这种纠缠的建模方式只能推断用户的整体偏好，并将多个偏好对决策的影响混合在一起，难以区分和量化每个偏好的单独影响。因此，该表示不仅会降低推荐性能，还会导致解释缺乏特异性和清晰度。

(iii) 忽视未表达但默认存在的偏好。现有以准确率为导向的研究仅依赖显性评论文本进行偏好提取，因此往往忽视了那些未被明确陈述但仍然影响决策的默认偏好 [21]。选择性注意理论 [21] 也表明，消费者倾向于表达对其决策产生重大影响的不偏好，而其他默认偏好则未被言明。如图 1(b) 所示，用户 1562 在 Island Jewel 的评论中表达了"舒适与放松"，但历史信息（即在 Captain Cook 中 Treehouse 的评论）和其他用户对 Island Jewel 的评论表明，"便利与可及性"也是该用户关注的一个默认偏好。这一现象促使我们探索推荐模型是否能够识别已提及和潜在未提及的决策偏好。

为应对这些挑战，我们提出了基于大语言模型的 DIsentangled Graph model for Explainable review-based Recommendation（DIGER，面向可解释基于评论推荐的解耦图模型）。具体而言，为了从评论中生成细粒度和可解释的用户偏好，受大语言模型（LLMs）强大推理能力的启发，我们利用 LLMs 从每条评论中总结细粒度的、全面的和可解释的决策偏好。随后，我们构建偏好特定的用户-物品交互图，并采用图卷积网络（GCNs）来预测由该偏好驱动的偏好特定交互概率。然后，我们提出一种多头注意力机制，通过识别每个偏好对用户决策行为的影响权重，聚合所有偏好特定概率以获得最终交互预测。此外，我们引入了两个偏好相关的辅助任务——偏好独立性约束和显性偏好排序——以确保模型的解释与实际消费者决策行为一致。前者确保偏好特定表示保持独立，便于量化它们各自对消费者决策的影响权重。后者基于选择性暴露理论，在评论中将明确提及的偏好优先于其他推断的未提及决策偏好，从而提供更好的决策可解释性。

在四个真实数据集上的实验表明，我们的模型在推荐性能上显著优于最先进的基线模型。此外，偏好分析表明 DIGER 与用户明确提及的偏好高度一致，而案例研究则提供了它可能识别潜在未提及偏好的指示性证据。基于 LLM 固定基线的消融实验进一步表明，性能提升主要来自偏好解耦和提出的偏好相关约束任务。

总之，本研究的主要贡献如下：
(1) 我们提出了 DIGER，一种偏好解耦的图推荐框架。与依赖纠缠表示或粗粒度话题建模的现有文献不同，我们的工作引入了一种语义感知的偏好解耦范式。通过利用 LLMs 并构建偏好特定的图卷积网络，我们提供了一种实用方法论来解耦细粒度的、显性语义意图并量化它们各自对消费者决策的影响。
(2) 我们通过在消费者偏好建模文献中提供一个框架来建模显性偏好并探索潜在未提及的决策因素，做出了贡献。与仅捕捉表面关键词的基于提取的方法不同，DIGER 在特定偏好图内聚合协同信号。这种设计有助于识别未在评论文本中直接表达的用户意图，从而为消费者可能的决策动机提供更广泛的洞察。
(3) 我们通过在信息系统领域将算法生成的解释与人类认知过程紧密对齐，推进了可解释人工智能（XAI）文献。理论上，我们的模型通过显式量化多个独立偏好如何交互驱动最终选择，弥合了预测精度与以用户为中心的可解释性之间的差距。在实践中，这些细粒度的、解耦的洞察赋能平台从通用推荐转向需求驱动的战略运营，例如实施精准客户细分和定制个性化产品展示（例如优化属性标签布局）。

本文其余部分结构如下：第 2 节回顾相关文献。第 3 节正式定义问题并介绍提出的模型，详细说明其关键组成部分。第 4 节概述实验设置，第 5 节呈现实证结果。最后，第 6 节总结研究并讨论未来研究的潜在方向。

段落摘要
基于评论的推荐
传统推荐方法，如矩阵分解 [22]、深度协同过滤 [3] 和基于图的方法 [4]，主要依赖交互数据，因此存在数据稀疏问题 [23]。由于消费者评论包含丰富的偏好信息，基于评论的推荐引起了相当大的关注 [24]。根据如何利用文本评论，现有研究大致可分为基于话题的方法和基于深度学习的方法。

基于话题的
问题定义
设 U={u1,…,uM} 和 V={v1,…,vN} 分别为 M 个用户和 N 个物品的集合。用户与物品之间的交互记录被表述为用户-物品交互矩阵 R={ruv}M×N，其中 ruv=1 表示用户 u 已与物品 v 发生交互，否则 ruv=0。此外，对于每一对 (u,v)，用户 u 还发表了一篇评论 cuv 来表达其决策偏好。对于每个用户，设 N(u) 为用户 u 交互过的物品集合，C(u) 表示相应的评论集合。类似地，

数据集
我们在四个公开可用的数据集上评估我们的模型，所有这些数据集都包含用户-物品交互记录以及相应的文本评论，每条评论对应一次交互。在本研究中，我们使用了来自夏威夷和东京的 Airbnb 租赁数据，分别代表典型的旅游目的地和国际大都市，记为 Airbnb-HAW 和 Airbnb-TYO。此外，我们还包括了一个 Yelp 餐厅数据集来建模本地餐饮行为，以及一个 Amazon

总体推荐性能
如图 4 所示，我们的模型显著优于所有基线，相比最佳基线模型实现了平均 8% 的改进。基于评论的方法通常通过利用评论丰富用户和物品表示而优于 DMF 等通用模型。然而，设计精良的通用方法如 DGCF 和 LightGCN 往往优于基于评论的方法，因为图模型能更好地捕捉高阶用户-物品交互。我们提出的 DIGER 模型整合了两者的优势

方法论贡献
在方法论上，本研究对现有文献做出了三点贡献。首先，我们为可解释的基于评论推荐提出了一种新颖的语义感知解耦模型。现有的基于评论的推荐研究主要依赖"黑箱"特征聚合或粗粒度的统计话题模型（如 LDA），导致潜在偏好纠缠且缺乏显性语义。为解决这一问题，我们的 DIGER 框架整合了 LLMs、偏好特定的

CRediT 作者贡献声明
Dongyang Li：写作 – 审阅与编辑，写作 – 原始草稿，可视化，方法论，调查，数据整理，概念构思。Jianshan Sun：写作 – 审阅与编辑，监督，资源，资金获取。Kun Yuan：写作 – 审阅与编辑，写作 – 原始草稿，方法论，概念构思。Yezheng Liu：写作 – 审阅与编辑，监督。Jennifer Shang：写作 – 审阅与编辑，监督。

利益冲突声明
作者声明他们不存在任何已知的竞争性财务利益或个人关系，这些利益或关系可能影响到本论文所报告的工作。

Dongyang Li 是合肥工业大学管理学院的一名博士研究生。他的研究兴趣包括个性化推荐系统和电子商务。他曾在 ACM Transactions on Information Systems 和 World Wide Web 上发表文章。

Dongyang Li | Jianshan Sun | Kun Yuan | Yezheng Liu | Jennifer Shang