arXiv cs.AI· Jiaheng Zhang, Daqiang Zhang·· 1 天前AI 评分8
Prism：解耦式生成推荐解释框架，用知识蒸馏让 140M 学生模型超越 11B 教师
The Oracle and The Prism: A Decoupled and Efficient Framework for Generative Recommendation Explanation
AI 导读
研究者提出解耦框架 Prism，将推荐拆分为排序与解释生成两个独立阶段，并以 FLAN-T5-XXL 作为 Oracle 教师、经知识蒸馏训练 140M 参数的 BART-Base 学生模型生成个性化解释。人类评估中该 140M 模型在忠实度与个性化上显著优于 11B 教师，并展现出纠正教师模型幻觉的能力，同时实现 24 倍加速和 10 倍内存降低。该论文已被作者撤回。
正文 · AI 翻译
本文已被 Jiaheng Zhang 撤回
摘要：将大型语言模型（LLM）集成到可解释推荐系统中，往往会在端到端架构中带来性能与效率之间的权衡，其中排序与解释的联合优化可能导致次优的折中。为解决这一问题，我们提出了 Prism，一种新颖的解耦框架，它将推荐过程严格分离为专门的排序阶段和解释生成阶段。这种分解确保每个组件都针对其特定目标进行优化，从而消除耦合模型中固有的冲突。
受知识蒸馏启发，Prism 利用一个强大的、遵循指令的教师 LLM（FLAN-T5-XXL）作为 Oracle 来生成高保真的解释性知识。随后，一个紧凑的、经过微调的学生模型（BART-Base），即 Prism，专门负责将这些知识综合为个性化解释。我们在基准数据集上进行的大量实验揭示了一个关键发现：蒸馏过程不仅传递知识，还起到噪声过滤器的作用。我们的 140M 参数 Prism 模型在忠实性和个性化的人工评估中显著优于其 11B 参数的教师模型，展现出纠正教师输出中存在的幻觉的新兴能力。在实现 24 倍加速和 10 倍内存消耗降低的同时，我们的分析验证了：解耦结合有针对性的蒸馏，为高质量、或许更重要的是可信的可解释推荐提供了一条高效且有效的路径。
| 评论： | 我们已发现论文中的若干问题 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2511.16543 [cs.IR] |
| （或 arXiv:2511.16543v3 [cs.IR] 为此版本） | |
| https://doi.org/10.48550/arXiv.2511.16543 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiaheng Zhang [查看邮箱]
[v1]
2025年11月20日 星期四 16:59:16 UTC（2,231 KB）
[v2]
2025年12月6日 星期六 08:27:39 UTC（2,232 KB）
[v3]
2026年11月11日 星期三 13:41:40 UTC（1 KB） （已撤回）
来源：arXiv cs.AI · arxiv.org