1. LMMRec框架概述:大模型驱动的动机感知推荐系统
推荐系统正经历从"行为拟合"到"动机理解"的范式转变。传统协同过滤方法虽然能有效捕捉用户-物品交互模式,却难以解释"为什么用户会做出这样的选择"。江南大学与浙江大学联合团队提出的LMMRec框架,通过大语言模型(LLM)显式建模用户决策动机,为推荐系统赋予了"读心术"般的能力。
这个框架的创新性体现在三个维度:
- 动机显式化:利用LLM的chain-of-thought提示技术,从用户评论文本中提取细粒度的动机表达(如"买这本书是为了备考"、"选择这家餐厅因为纪念日")
- 多模态融合:构建文本动机(从评论得来)与交互动机(从行为数据得来)的双视角建模体系
- 模型无关性:作为增强层可无缝集成到现有推荐模型(如LightGCN、NGCF等)之上
关键突破:传统推荐系统像在解"黑箱"——知道用户点了什么,但不知道为何而点。LMMRec首次实现了从隐式兴趣推测到显式动机理解的跨越。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心架构设计解析
2.1 双编码器结构
框架采用并行的双路编码设计:
-
文本动机编码器:
-
交互动机编码器:
- 基础架构:改进的LightGCN
- 创新点:在消息传递过程中注入动机感知注意力机制
- 公式表示:
$$
h_u^{(l+1)} = \sum_{i\in\mathcal{N}u} \alpha \cdot (h_i^{(l)} + \Delta m_{ui})
$$
其中$\Delta m_{ui}$是通过交互模式学习到的动机偏移量
2.2 跨模态对齐策略
为解决文本与行为数据的语义鸿沟问题,团队提出两项关键技术:
Motivation Coordination Strategy (MCS)
- 方法:对比学习框架下的跨模态对齐
- 正样本对:同一用户的文本动机嵌
