计算机研究与发展

作者：闫萌,徐偲,黄海槟,赵伟,管子玉,

关键词：序列推荐, 多模态, 用户生成内容, 可信决策, 大语言模型,

序列推荐的核心在于从用户的交互序列中挖掘其偏好和行为模式.现有研究已经认识到单一模态交互数据存在不足，因此借助大量多模态数据（如商品评价、主页图片等）来丰富交互信息，提升推荐系统的性能.然而，这些多模态数据中常常夹杂着不可避免的噪声，可能会限制用户个性化偏好的探索.尽管可以通过抑制模态间不一致的信息来减少噪声干扰，但要完全消除用户生成的多模态内容中的噪声几乎是不可能的.针对上述挑战，提出了一种基于大语言模型的可信多模态推荐算法，旨在于含噪多模态数据场景下提供可信的推荐结果.具体而言，该算法依托于大语言模型卓越的自然语言理解能力，高效过滤多模态数据中的噪声，实现对用户偏好更为精确和细致的建模.此外，还设计了一种可信决策机制，用于动态评估推荐结果的不确定性，以确保在高风险场景下推荐结果的可用性.在4个广泛使用的公开数据集上的实验结果显示，相较于其他基线算法，提出的算法有更好的性能表现.代码可以在https://github.com/hhbray/Large-TR获取.

来源：2025年第7期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第7期