arXiv cs.CL· Sunkyung Lee, Xiaokai Wei, Da Long, Hyunsik Jeon, Jiajun Wu, Rithwik Seth, Jongwuk Lee, Michelle Gong, Gungor Polatkan·· 10 小时前AI 评分29
SteerGR：用稀疏自编码器实现可控生成式游戏推荐
SteerGR: Steering Generative Recommendation via Sparse Autoencoders for Controllable Game Discovery
AI 导读
SteerGR 框架通过稀疏自编码器实现生成式推荐的概念级控制，可在不重新训练推荐模型的情况下放大或抑制选定特征，使推荐结果靠近或远离目标概念。该框架分三阶段：用 LLM 定义并锚定游玩概念、按概念关联发现并依据引导效果筛选特征、对稀疏特征进行干预。在两个工业级生成式推荐模型和真实游戏数据集上的实验显示，所选特征能有效引导推荐方向。
正文 · AI 翻译
摘要：生成式推荐旨在根据用户交互历史预测物品标识符，但对推荐物品属性的显式控制仍未得到充分探索。一个关键挑战是将人类可读的概念与内部特征联系起来，通过对这些特征进行干预能够有效改变推荐物品。为解决这一问题，我们提出了可操控生成式推荐器（SteerGR），这是一个在游戏发现中使用稀疏自编码器进行概念级控制的框架。SteerGR 分为三个阶段：（i）概念定义与锚定，使用 LLM 定义玩法概念；（ii）特征发现与选择，根据概念关联发现候选特征，并根据其操控效果选择一个特征；（iii）稀疏特征干预，放大或抑制所选特征以操控推荐，而无需重新训练推荐器。在真实游戏数据集上使用两个工业生成式推荐模型进行的大量实验表明，所选特征能够成功地将推荐引向或引离目标概念。我们相信这项工作迈出了将基于 SAE 的操控从 LLM 扩展到工业生成式推荐的第一步。
| 评论： | 预印本（15 页，11 幅图，11 张表） |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.08790 [cs.IR] |
| （或 arXiv:2611.08790v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08790 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sunkyung Lee [查看邮箱]
[v1]
2026 年 11 月 5 日星期四 23:25:08 UTC（2,564 KB）
来源：arXiv cs.CL · arxiv.org