arXiv cs.AI· Leyao Wang, Xutao Mao, Qinwen Ge, Xuhui Zhan, Yuying Zhao, Bo Ni, Ryan A. Rossi, Nesreen K. Ahmed, Tyler Derr·· 10 小时前AI 评分24
TWISTER：面向稀疏评论场景的结构感知评论补全推荐框架
When Reviews Are Scarce: Structure-Aware Review Imputation for Recommendation in Realistic Sparse Review Settings
AI 导读
研究者提出 TWISTER（ToWards Imputation on Sparsity with Textual Edge Graph Representation），通过将用户-物品交互建模为以评论为边属性的 Textual-Edge Graph，并用 LLM 作为图感知聚合器，为缺少评论的交互生成个性化评论文本。
正文 · AI 翻译
摘要：文本评论为推荐系统提供了细粒度的偏好信号并增强了可解释性。然而，在现实场景中，用户很少留下评论，导致严重的稀疏性，在部分可观测条件下削弱了评论感知推荐器的有效性。一种自然的补救方法是合成缺失的评论，以恢复这些推荐器所依赖的文本信号。然而，传统的插补技术，如矩阵补全和基于 LLM 的增强，要么通过将文本嵌入为向量而丢失了上下文语义，要么忽略了用户-物品图上的结构依赖关系。为解决这些不足，我们提出了 TWISTER（ToWards Imputation on Sparsity with Textual Edge Graph Representation），一个用于稀疏文本推荐的统一框架，通过联合建模语义和结构信号来合成缺失的评论。具体而言，我们将用户-物品交互表示为文本边图（TEG），将评论视为边属性。为捕获关系上下文，我们构建线图视图并采用 LLM 作为图感知聚合器。对于每个缺少文本评论的交互，我们的模型从相邻交互中聚合自然语言表示，以生成连贯且个性化的评论。在多个数据集上的实验表明，TWISTER 始终优于传统的数值、基于图和 LLM 的基线方法，提供更高质量的插补评论，更重要的是，改善了下游推荐。总之，TWISTER 是一个即插即用、结构感知的插补器，可在评论稀缺时恢复评论感知推荐器所需的文本信号。
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2508.01128 [cs.IR] |
| （或此版本的 arXiv:2508.01128v2 [cs.IR]） | |
| https://doi.org/10.48550/arXiv.2508.01128 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Leyao Wang [查看电子邮件]
[v1]
2025年8月2日星期六 00:53:40 UTC（3,628 KB）
[v2]
2026年11月3日星期二 20:19:23 UTC（3,066 KB）
来源：arXiv cs.AI · arxiv.org