ترجمه فارسی مقاله افرا: تقویت نسل بررسی با یادگیری سریع چندپارچه در توصیه قابل توضیح

چکیده

Explainable Recommendation task is designed to receive a pair of user and item and output explanations to justify why an item is recommended to a user. Many models treat review-generation as a proxy of explainable recommendation. Although they are able to generate fluent and grammatical sentences, they suffer from generality and hallucination issues. We propose a personalized, aspect-controlled model called Multi-Aspect Prompt LEarner (MAPLE), in which it integrates aspect category as another input dimension to facilitate the memorization of fine-grained aspect terms. Experiments on two real-world review datasets in restaurant domain show that MAPLE outperforms the baseline review-generation models in terms of text and feature diversity while maintaining excellent coherence and factual relevance. We further treat MAPLE as a retriever component in the retriever-reader framework and employ a Large-Language Model (LLM) as the reader, showing that MAPLE’s explanation along with the LLM’s comprehension ability leads to enriched and personalized explanation as a result. We will release the code and data in this http upon acceptance.

چکیده به فارسی (ترجمه ماشینی)

کار توصیه قابل توضیح برای دریافت یک جفت توضیحات کاربر و مورد و خروجی برای توجیه دلیل توصیه یک مورد به کاربر طراحی شده است.بسیاری از مدل ها نسل بررسی را به عنوان یک پروکسی از توصیه های قابل توضیح درمان می کنند.اگرچه آنها قادر به ایجاد جملات روان و گرامری هستند ، اما از مشکلات عمومی و توهم رنج می برند.ما یک مدل کنترل شده با جنبه شخصی به نام یادگیرنده سریع چند عاملی (MAPLE) را پیشنهاد می کنیم ، که در آن دسته از جنبه ها را به عنوان یک بعد ورودی دیگر برای تسهیل در یادآوری اصطلاحات جنبه ریز دانه ادغام می کند.آزمایشات در دو مجموعه داده مرور در دنیای واقعی در دامنه رستوران نشان می دهد که MAPLE از مدل های بازبینی پایه از نظر متن و تنوع ویژگی در عین حال که انسجام عالی و ارتباط واقعی دارند ، بهتر است.ما بیشتر با MATLE به عنوان یک مؤلفه رتریور در چارچوب Retriever-Reader رفتار می کنیم و از یک مدل بزرگ به زبان (LLM) به عنوان خواننده استفاده می کنیم ، نشان می دهد که توضیحات Maple به همراه توانایی درک LLM منجر به توضیح غنی شده و شخصی می شود.ما کد و داده ها را در این HTTP پس از پذیرش منتشر خواهیم کرد.