Bi-NAS: Towards Effective and Personalized Explanation for Recommender Systems via Bi-Level Neural Architecture Search
双层神经架构搜索优化推荐系统个性化解释
🧭 可解释推荐 · 神经架构搜索
Virginia Tech · Google · Amazon
通过双层NAS同时优化注意力与特征交互，并集成LLM生成个性化推荐解释，提升准确性与解释质量
📌 工作参考价值
- 将NAS用于搜索推荐解释模型的最优结构，自动设计特征交互与注意力机制，避免手工调参。
- 利用LLM零样本提示生成解释，结合用户特征偏好与物品属性对齐，可快速实现个性化推荐理由。
- 双层搜索空间（intra-layer和inter-layer）可迁移到电商推荐中优化多模态特征融合的解释头。
- 该方法在提升推荐准确度的同时改善解释质量，适用于商品详情页的“为什么推荐”模块，提升点击率和信任度。
动机：推荐系统亟需有效且个性化的解释来增强用户信任与决策，但手工设计最优解释模型结构困难，且现有方法难以灵活适配多变场景。
方法：提出双层神经架构搜索框架 Bi-NAS，同时优化解释模块的层内设计（交叉注意力机制类型）和层间设计（特征交互函数连接方式），自动发现高效结构。在此基础上，集成大语言模型（LLM），通过零样本提示将用户特征偏好与物品质量分数对齐，生成个性化自然语言解释。
结果：在四个真实数据集上，Bi-NAS 不仅提升推荐准确率，还显著提高解释有效性（如解释相关性、用户满意度等），整体框架同时兼顾精度与可解释性。