02 3.45
SAERec: Constructing Fine-grained Interpretable Intents Priors via Sparse Autoencoders for Recommendation
UGA
意图推荐通常直接从用户行为序列做聚类或原型学习抽意图，受序列质量影响大、需预设意图数、缺乏显式语义对齐，导致意图集粗糙不全。SAERec 用稀疏自编码器（SAE）从文本语料自动构建细粒度、可解释的意图空间来引导推荐：不把文本当旁路信号，而当作高信息密度证据，先抽出一组可解释意图，再据此组织推荐。本质是把机制可解释性常用的 SAE 单义特征思路迁移到推荐意图建模。
INSIGHT借 LLM 可解释性领域的 SAE 单义特征思路，解推荐意图“数目要预设、语义不明”的老问题——意图变成 SAE 的稀疏激活维度，天然可解释且无需人工设定意图数。对社区搜索的启示：UGC 短文本意图多变，从帖子/评论语料抽稀疏意图可用于 query 意图识别与结果解释；落地路径是先训 SAE 再接推荐，文本语料覆盖度决定意图完整性。
Jiangnan Xia, Xuansheng Wu, Yu Yang, Xin Wang, Ninghao Liu
arXiv·2026-06-18·Relevance 3 · Novelty 4 · Practical 3 · Evidence 3 · Timely 5
SJTU