基于大模型检索增强和对比学习的科技文献可解释推荐研究OACHSSCD

[目的/意义]本研究旨在探索大语言模型与科技文献推荐系统融合的新方案,通过构建具有可解释性的科技文献推荐模型,实现双重优化目标:一方面,提升科技文献推荐系统的性能指标;另一方面,增强科技文献推荐结果的可解释性,从而为科技文献服务提供更精准的推荐结果和更具信息量与说服力的解释。[方法/过程]研究采用正负向对比解释生成策略,在构建基于大模型检索增强的科技文献推荐解释生成框架基础上,结合对比学习、深度神经网络、注意力机制构建科技文献推荐模型,并在CiteULike数据集上进行实验验证。[结果/结论]实验结果表明,本研究构建的推荐模型在F1值(0.767)、准确率(0.868)、NDCG@5(0.773)、HR@5(0.832)和MRR(0.695)评价指标上均优于基线模型。进一步的解释说服力分析和案例分析显示,大模型生成的正负向解释能够有效揭示用户兴趣与候选文献之间的潜在关联和根本差异,这一特性不仅提升了模型性能,还增强了推荐结果的可解释性。本研究证实了大模型检索增强与自适应对比学习相结合在科技文献可解释推荐领域的应用价值,为相关研究提供了新的技术路径和方法论参考。