ReasoningRec: Bridging Personalized Recommendations and Human-Interpretable Explanations through LLM Reasoning
Texas A&M University（德克萨斯农工大学）
本研究提出基于推理的推荐框架ReasoningRec，用大LLM生成用户偏好合成解释来微调小LLM，在提升推荐准确率（最高超SOTA12.5%）的同时提供人类可理解的解释，弥合了推荐与可解释性之间的差距。
2024-10-30 cs.AI cs.IR
HARPO: Hierarchical Agentic Reasoning for User-Aligned Conversational Recommendation
Indian Institute of Technology Patna（印度巴特那理工学院）；Indian Institute of Information Technology Allahabad（印度安拉阿巴德信息技術學院）
HARPO通过分层代理推理框架优化多维推荐质量，结合上下文依赖的偏好学习、 deliberative树搜索和领域无关的推理抽象，提升推荐质量与用户对齐性。
2026-06-07 cs.IR
Reason4Rec: Deliberative User Preference Alignment of Large Language Models for Recommendation
University of Science and Technology of China（中国科学技术大学）；Zhongguancun Academy（中关村研究院）；National University of Singapore（新加坡国立大学）；Meta AI
研究旨在开发更可靠的推荐LLMs，引入“审慎推荐”任务并提出“推理驱动的推荐器”框架，利用语言化用户反馈增强推理能力，经实验验证该框架能提升预测准确性和推理质量。
2026-07-29 cs.IR
LANE: Logic Alignment of Non-tuning Large Language Models and Online Recommendation Systems for Explainable Reason Generation
Tianjing University（天津大学）；Baidu Talent Intelligence Center, Baidu Inc（百度人才智能中心，百度公司）
本文提出LANE策略，在不微调大语言模型的情况下，通过语义嵌入、零样本多偏好提取、语义对齐和思维链提示，将LLM与在线推荐系统对齐，在保证推荐性能的同时生成可解释的推荐逻辑。
2024-07-03 cs.CL cs.IR cs.LG
MGFRec: Towards Reinforced Reasoning Recommendation with Multiple Groundings and Feedback
MGFRec通过多轮接地和反馈机制提升推荐系统中推理与实际物品空间的一致性，改进推荐效果。
2025-11-24 cs.IR
RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation
RecThinker通过动态规划和主动工具调用，提升推荐系统中信息获取和推理能力，实现更优的用户-物品匹配。
2026-03-10 cs.IR
Reasoning to Rank: An End-to-End Solution for Exploiting Large Language Models for Recommendation
Tsinghua University（清华大学）；Tencent Inc.（腾讯公司）
本文提出了一种端到端的推荐框架，通过强化学习优化大语言模型的推理过程，以提高推荐系统的性能。
2026-02-13 cs.IR
Verifiable Reasoning for LLM-based Generative Recommendation
Meta Modern Recommendation System (MRS)（Meta现代推荐系统）；National University of Singapore（新加坡国立大学）
VRec通过引入推理-验证-推荐范式，提升LLM生成推荐的准确性和可扩展性。
2026-03-08 cs.IR
User Simulator-Guided Multi-Turn Preference Optimization for Reasoning LLM-based Conversational Recommendation
Huazhong University of Science and Technology（华中科技大学）
本文提出SMTPO框架，通过多任务监督微调和强化学习优化多轮对话推荐，提升推荐准确性与泛化能力。
2026-04-04 cs.IR
REASONER: An Explainable Recommendation Dataset with Multi-aspect Real User Labeled Ground Truths Towards more Measurable Explainable Recommendation
可解释性推荐引起了业界和学术界的广泛关注。它在提高推荐的说服力、信息量和用户满意度方面显示出巨大的潜力。尽管在过去的几年里已经提出了许多有前途的可解释推荐模型，这些模型的评价策略受到一些限制。例如，解释真值没有被真实用户标记，解释大多仅基于一个方面进行评价，并且评价策略难以统一。为了缓解上述问题，我们建议使用多方面的真实用户标记的真值构建一个可解释的推荐数据集。具体来说，我们首先开发了一个视频推荐平台，围绕推荐可解释性的一系列问题进行了精心设计。然后，我们招募了大约3000名不同背景的用户使用该系统，并收集他们的行为和反馈我们的问题。在本文中，我们详细介绍了我们的数据集的构建过程，并对其特征进行了广泛的分析。此外，我们开发了一个库，其中十个著名的可解释的推荐模型在一个统一的框架中实现。基于该库，我们为不同的可解释推荐任务构建了几个基准测试。最后，我们提出了我们的数据集带来的许多新的机会，这些机会有望为可解释的推荐领域带来一些新的亮点。我们的数据集、库和相关文档已在https://reasoner2023.github.io/上发布。
2023-03-01 cs.IR
Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation
Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学北京校区人工智能学院）；Alibaba Group, Beijing, China（阿里巴巴集团）
针对现有序列推荐直接前向计算范式深度不足、性能受限的问题，提出首个推理时计算框架ReaRec，通过多步隐式推理及配套轻量学习方法提升性能，在多数据集上将骨干模型性能上限提升30%-50%。
2025-08-01 cs.AI cs.CL cs.IR
Disentangled Counterfactual Reasoning for Unbiased Sequential Recommendation
本文提出DCR方法，通过解耦流行度与兴趣表示并构建结构因果图，结合反事实推理消除序列推荐中的流行度偏差，离线实验和在线A/B测试验证了其显著性能提升。
2023-08-05 cs.IR
LaRec: Unleashing LLM-based Latent Reasoning for Generative Recommendation
University of Chinese Academy of Sciences（中国科学院大学）；Xiaohongshu（小红书）
研究针对LLMs在推荐中现有方法的问题，提出LaRec框架。核心方法是通过潜在预训练赋予潜在推理能力，用个性化强化学习调整引导遍历多样推理路径。主要贡献是在多数据集实验中，以相当效率显著超越现有基线。
2026-07-28 cs.IR
CAFE: Coarse-to-Fine Neural Symbolic Reasoning for Explainable Recommendation
最近的研究探索将知识图谱（KG）纳入电子商务推荐系统，不仅要实现更好的推荐性能，但更重要的是，生成解释为什么特定的决策。这可以通过显式KG推理来实现，其中模型从用户节点开始，顺序地确定下一步，并走向用户可能感兴趣的项目节点。然而，由于KG上巨大的搜索空间、未知的目的地和稀疏的信号，这是具有挑战性的，因此需要信息丰富且有效的指导来实现令人满意的推荐质量。为此，我们提出了一个CoArse-to-FinE神经符号推理方法（CAFE）。它首先生成用户简档作为用户行为的粗略草图，随后引导路径查找过程，以获得推荐的推理路径作为细粒度的预测。用户简档可以从历史中捕获突出的用户行为，并且提供关于哪种路径模式更可能导致用户感兴趣的潜在项目的有价值的信号。为了更好地利用用户简档，一种改进的路径查找算法，称为轮廓引导路径推理（PPR），它利用了一个库存的神经符号推理模块，有效地和高效地找到一批路径在一个大规模的KG。我们在四个真实世界的基准测试中进行了广泛的实验，并观察到与最先进的方法相比，推荐性能有了很大的提高。
2020-10-29 cs.IR
Recurrent Latent Variable Networks for Session-Based Recommendation
Cyprus University of Technology（塞浦路斯理工大学）
在这项工作中，我们试图改善数据稀疏性的影响，在基于会话的建议。具体来说，我们试图设计一个机器学习机制，能够提取微妙的和复杂的潜在的时间动态观察到的会话数据，以便通知推荐算法。为此，我们改进了利用具有循环连接单元的深度学习技术的系统;我们通过采用贝叶斯统计领域的概念，即变分推理来实现这一点。我们提出的方法包括在治疗网络经常性单位作为随机潜变量与先验分布强加给他们。在此基础上，我们继续推断相应的后验;这些可以用于预测和推荐生成，在某种程度上，占可用的稀疏训练数据的不确定性。为了使我们的方法可以轻松地扩展到大型现实世界的数据集，我们在近似摊销变分推理（AVI）设置下执行推理，从而通过（传统的）神经网络参数化学习后验。我们使用具有挑战性的基准数据集对我们的方法进行了广泛的实验评估，并说明了其优于现有最先进技术的优越性。
2017-06-13 cs.IR cs.LG stat.ML
Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations
School of ICT, Griffith University（格里菲斯大学信息与通信技术学院）；Department of Data Science and AI, Monash University（莫纳什大学数据科学与人工智能系）
针对现有对话推荐系统可解释性不足、知识图谱与大语言模型存在模态鸿沟的问题，提出即插即用框架COMPASS，通过两阶段训练实现用户偏好推理，提升推荐性能与可解释性。
2025-10-02 cs.AI cs.CL cs.IR
Factorized Latent Reasoning for LLM-based Recommendation
Macquarie University（麦考瑞大学）；University of New South Wales（新南威尔士大学）；Meituan LongCat Interaction Team（美团长猫交互团队）
针对现有潜在推理方法用单向量表示用户意图难以捕捉多面偏好的问题，提出分解潜在推理框架，通过多因子注意力模块解耦偏好因子，结合正则化与强化学习提升推荐性能与可解释性。
2026-06-15 cs.IR
Towards Comprehensible Recommendation with Large Language Model Fine-tuning
School of CS, Peking University（北京大学计算机学院）；Kuaishou Technology（快手科技）
该研究针对传统推荐的语义协同差距问题，提出CURec框架，通过微调LLM并结合强化学习优化，提升推荐可理解性与性能，在公开基准上表现更优。
2026-08-12 cs.IR
TwiSTAR:Think Fast, Think Slow, Then Act,Generative Recommendation with Adaptive Reasoning
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出TwiSTAR框架，通过自适应分配推理努力提升推荐准确性与效率，利用语义ID检索、轻量级排序和慢推理模型，结合常识知识增强，减少延迟并优于基线方法。
2026-05-12 cs.IR
Knowledge is Power, Understanding is Impact: Utility and Beyond Goals, Explanation Quality, and Fairness in Path Reasoning Recommendation
University of Cagliari（卡利亚里大学）；Polytechnic University of Turin（都灵理工大学）
路径推理是基于知识图谱（KG）对高阶用户-产品关系建模的著名推荐方法。这种方法可以提取推荐产品和已经体验过的产品之间的推理路径，然后将这些路径转化为用户的文本解释。不幸的是，在这一领域的评估协议出现异构和有限的，很难上下文的影响，现有的方法。在本文中，我们复制了三个国家的最先进的相关路径推理推荐方法提出的顶级会议。在一个共同的评估协议下，基于两个公共数据集，并与其他知识感知的方法相比，我们研究了它们在多大程度上满足推荐效用和超越目标，解释质量，消费者和提供者的公平性。我们的研究提供了在这一领域的进展情况，突出开放的问题和未来的方向。源代码：\url{https://github.com/giacoballoccu/rep-path-reasoning-recsys}。
2023-01-14 cs.AI cs.IR
DTRec: Learning Dynamic Reasoning Trajectories for Sequential Recommendation
DTRec通过动态调整推理方向和深度，提升序列推荐性能并降低计算成本
2025-12-16 cs.IR
DiffuReason: Bridging Latent Reasoning and Generative Refinement for Sequential Recommendation
Tencent（腾讯）
DiffuReason通过联合潜在推理与生成细化，提升序列推荐的准确性和实用性。
2026-02-12 cs.IR
Reinforced Path Reasoning for Counterfactual Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Curtin University（科廷大学）
反事实解释通过探索项目或用户的最小改变如何影响推荐决策来解释推荐机制。现有的反事实可解释方法面临巨大的搜索空间并且它们的解释或者是基于动作的（例如，用户点击）或基于方面（即，项目说明）。我们相信基于项目属性的解释对用户来说更直观和更有说服力，因为它们通过细粒度的项目人口统计特征（例如，brand）。此外，反事实解释可以过滤掉负面项目，从而加强建议。在这项工作中，我们提出了一种新的反事实解释推荐（CERec）生成基于项目属性的反事实解释，同时提高推荐性能。我们的CERec优化解释政策统一搜索候选反事实在强化学习环境。我们减少了巨大的搜索空间与自适应路径采样器，通过使用丰富的上下文信息的一个给定的知识图谱。我们还将解释策略部署到推荐模型中，以增强推荐。广泛的可解释性和推荐评估表明CERec有能力提供符合用户偏好的解释，并保持改进的推荐。我们在https://github.com/Chrystalii/CERec上发布代码。
2022-07-14 cs.AI cs.IR
Learning Better Reasoning for Generative Recommendation with Semantic IDs
Emory University（埃默里大学）；Microsoft（微软）；Cornell University（康奈尔大学）
提出Evo-Rec三阶段框架，通过上下文对齐、推理轨迹筛选和强化学习优化，提升基于语义ID的生成式推荐中的推理质量，在三个基准上全面超越现有方法。
2026-09-25 cs.AI cs.IR
Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising
School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；University of Queensland（昆士兰大学）
本文提出DC4SR框架，通过双视角校准提升顺序推荐的去噪效果，结合语义先验和模型后验分布，增强对用户兴趣演变的适应性。
2026-04-27 cs.IR
Path-Based Reasoning over Heterogeneous Networks for Recommendation via Bidirectional Modeling
异构信息网络（HIN）是推荐系统中数据的自然和通用表示。结合HIN和推荐系统不仅可以帮助建模用户行为，而且还可以通过将用户/项目与网络中的各种类型的实体对齐来使推荐结果可解释。在过去的几年中，基于路径的推理模型在基于隐马尔可夫链的推荐中表现出了巨大的能力。这些模型的基本思想是探索HIN与预定义的路径方案。这些模型虽然有效，但往往面临以下局限性：（1）现有的基于路径的推理模型在对序列进行建模时，大多只考虑了先行节点对后继节点的影响，而忽略了路径中节点之间的相互作用;（2）通常假设同一路径实例中节点的权值为常数，而不同的节点权重可以带来更多的灵活性，并导致表达建模;（3）用户-项目交互是嘈杂的，但他们往往是不加区别地利用。为了克服上述问题，在本文中，我们提出了一种新的基于路径的推理方法推荐HIN。具体来说，我们使用双向LSTM来实现路径的双向建模，并捕获节点之间的互惠性。然后采用注意力机制来学习节点在不同上下文中的动态影响。最后，对抗正则化项施加在模型的损失函数上，以减轻噪声的影响并增强基于HIN的推荐。在三个公共数据集上进行的大量实验表明，我们的模型优于最先进的基线。案例研究进一步证明了我们的模型在可解释推荐任务上的可行性。
2020-08-10 cs.IR
Reason-to-Recommend: Using Interaction-of-Thought Reasoning to Enhance LLM Recommendation
Department of Electronic Engineering, Tsinghua University（电子工程系，清华大学）
针对推荐中隐式反馈缺乏推理监督的问题，本文提出 R2Rec 框架，将用户-物品交互链结构化为思维交互，并结合 SFT 与强化学习增强 LLM 推荐性能与可解释性。
2025-06-09 cs.AI cs.IR
Interactive Path Reasoning on Graph for Conversational Recommendation
传统的推荐系统根据用户过去的交互历史来估计用户对项目的偏好，从而在获得细粒度和动态的用户偏好方面受到限制。会话式推荐系统（CRS）通过使系统能够直接询问用户关于物品的偏好属性，从而为这些限制带来了革命。然而，现有的CRS方法没有充分利用这一优势-他们只使用属性反馈，而隐含的方式，如更新潜在的用户表示。在本文中，我们提出了会话路径推理（CPR），一个通用的框架，模型会话推荐作为一个互动的路径推理问题的图。它通过遵循用户反馈来遍历属性顶点，以显式的方式利用用户偏好的属性。通过利用图结构，CPR能够修剪掉许多不相关的候选属性，从而更好地命中用户偏好的属性。为了演示CPR是如何工作的，我们提出了一个简单而有效的实例化，名为SCPR（简单CPR）。我们进行实证研究的多轮会话推荐的情况下，最现实的CRS设置，到目前为止，考虑多轮询问属性和推荐项目。通过在两个数据集Yelp和LastFM上的大量实验，我们验证了我们的SCPR的有效性，它显着优于最先进的CRS方法ARXiv（arXiv：2002.09102）和CRM（arXiv：1806.03277）。特别是，我们发现，有更多的属性，我们的方法可以实现更多的优势。
2020-07-01 cs.IR
SAGER: Self-Evolving User Policy Skills for Recommendation Agent
Great Bay University（大湾区大学）；Hong Kong Baptist University（香港浸会大学）；Sun Yat-Sen University（中山大学）；Platform and Content Group, Tencent（腾讯平台与内容事业群）
SAGER通过为每个用户分配专用策略技能，实现个性化推荐代理的自进化推理，实验表明其在四个公开基准上达到最优性能，证明个性化推理过程是推荐改进的新来源。
2026-04-21 cs.IR
CogRec: Structure-Cognitive Fast-and-Slow Reasoning for Generative Recommendation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）；School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）
研究基于语义ID的生成式推荐问题，提出CogRec框架，通过增强SID层次结构、引入SID路由操作进行推理，实验表明该框架能改进直接生成，特定情况下结构基础推理有效，长或弱支持路由有弊端。
2026-07-28 cs.IR
Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking
National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；Renmin University of China（中国人民大学）；Meta AI
CARE通过级联推理框架提升生成推荐的多样性与效率，解决偏见放大问题。
2026-02-04 cs.IR
Neural-Symbolic Recommendation with Graph-Enhanced Information
Huzhou University（湖州师范学院）；Guizhou University（贵州大学）
本文提出一种结合图神经网络全局隐式推理与命题逻辑局部显式推理的神经符号推荐模型，在五个公开数据集上取得了优于现有方法的推荐效果。
2023-07-11 cs.AI cs.IR
Enhancing Group Recommendation with Memory-Augmented Reasoning in LLM Agent
Capital Normal University（首都师范大学）；The University of Queensland（昆士兰大学）
本研究提出基于LLM智能体的AGR模型，通过记忆模块与推理模块建模群组偏好动态演变及决策过程，在公开数据集上显著提升了群组推荐的准确率与可解释性。
2026-08-25 cs.IR
Scalable Recommendation with Poisson Factorization
Princeton University（普林斯顿大学）；Microsoft Research（微软研究院）
我们开发了一个贝叶斯泊松矩阵分解模型，用于从稀疏的用户行为数据中形成推荐。这些数据是大的用户/项目矩阵，其中每个用户仅对项目的小子集提供反馈，或者显式地（例如，通过星级）或隐含地（例如，通过浏览或购买）。与传统的矩阵分解方法不同，泊松分解隐式地对每个用户对消费项目的有限注意力进行建模。此外，由于泊松似然的数学形式，该模型只需要显式地考虑矩阵中观察到的条目，从而实现可扩展的计算和良好的预测性能。我们开发了一个变分推理算法的近似后验推理，规模庞大的数据集。这是一种有效的算法，它迭代观察到的条目并调整用户/项目表示的近似后验。我们将我们的方法应用于大型真实世界的用户数据，其中包含用户对电影的评分，用户听歌和用户阅读科学论文。在所有这些设置中，贝叶斯泊松分解优于最先进的矩阵分解方法。
2014-05-20 cs.AI cs.IR cs.LG
Explicit Knowledge Graph Reasoning for Conversational Recommendation
针对传统推荐系统的局限及现有会话推荐系统存在的用户需回答大量问题、属性与物品表征有语义鸿沟的问题，提出融合知识图谱的KECR框架，提升推荐准确率与用户体验，实验验证其优于现有最优方法。
2023-05-01 cs.IR
HoloRec: Holistic Encoding and Interleaved Reasoning for Generative Recommendation
Institute of Information Engineering, Chinese Academy of Sciences（信息工程研究所，中国科学院）；School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；JD.com（京东公司）
提出HoloRec，通过多粒度嵌套残差量化构建层次语义编码矩阵，实现内生的思维链推理，无需外部标注，在稀疏场景下显著提升推荐准确率。
2026-06-16 cs.AI cs.IR
Enhancing Local Life Service Recommendation with Agentic Reasoning in Large Language Model
Department of Electronic Engineering, BNRist, Tsinghua University（清华大学电子工程系，BNRist）；Meituan（美团）
本文提出一种联合预测生活需求和服务推荐的框架，通过行为聚类和强化学习提升推荐准确性。
2026-04-15 cs.IR
GOT4Rec: Graph of Thoughts for Sequential Recommendation
NLPR, MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对现有LLM序列推荐方法推理不足的问题，提出GOT4Rec，利用思想图策略整合用户短期、长期及协作信息，实现独立推理与结果聚合，平均提升37.11%。
2025-04-23 cs.AI cs.IR
On Reasoning Behind Next Occupation Recommendation
Singapore Management University（新加坡国立管理学院）；Columbia University（哥伦比亚大学）
本文提出一种两阶段职业预测方法，通过生成用户职业选择原因来提升大语言模型在职业推荐中的性能，实验表明该方法在准确率上优于无监督方法。
2026-04-23 cs.AI cs.CL cs.IR
GNNUERS: Fairness Explanation in GNNs for Recommendation via Counterfactual Reasoning
本文提出GNNUERS算法，通过反事实推理和二分图拓扑扰动最小化群体效用差异，系统解释GNN推荐模型中的用户不公平性。
2024-03-25 cs.IR
Graph Reasoning for Explainable Cold Start Recommendation
本文提出GRECS框架，将图推理适配于冷启动推荐，通过利用知识图谱中从用户出发的显式路径而非仅依赖实体嵌入，在5个标准数据集上缓解冷启动问题并优于基线方法，同时保持可解释性。
2024-06-11 cs.IR
S$^2$GR: Stepwise Semantic-Guided Reasoning in Latent Space for Generative Recommendation
Kuaishou Technology（快手科技）
本文提出S$^2$GR框架，通过在生成SID代码前插入思考令牌，建立稳健的语义基础，提升生成推荐的推理能力与性能。
2026-05-18 cs.IR
LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning
Monash University（莫纳什大学）；Shanghai University of Finance and Economics（上海财经大学）；Bosch Corporate Research（博世企业研究中心）；Bosch(China) Investment Ltd.（博世（中国）投资有限公司）；BSH Home Appliances Holding (China) Co. Ltd（博世和西门子家用电器集团（中国）控股有限公司）；Griffith University（格里菲斯大学）
本文提出将大语言模型与知识图谱协同，通过LLM增强知识图谱重建并引入子图推理模块发现推理路径，从而提升推荐系统的有效性和可解释性，在四个真实数据集上平均性能提升12%，并在跨国公司的交叉销售推荐系统中验证了实用价值。
2024-06-30 cs.AI cs.IR
ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta
Michigan State University（密歇根州立大学）；Meta Platforms, Inc.（Meta平台公司）
该研究提出 ConnectionMind 框架，结合社交网络与 LLM，经两阶段学习训练后，在 Meta 部署并通过 A/B 测试实现视频观看时长 0.43% 的提升，解决传统推荐模型的多关系上下文整合不足问题。
2026-08-12 cs.IR cs.SI
Think before Recommendation: Autonomous Reasoning-enhanced Recommender
Taobao & Tmall Group of Alibaba, China（阿里巴巴集团淘宝与天猫事业部）；National University of Singapore（新加坡国立大学）；Institute of Dataspace, Hefei Comprehensive National Science Center（合肥综合国家科学中心数据空间研究院）；Shanghai Key Laboratory of Data Science（上海数据科学重点实验室）
本文提出RecZero，一种基于纯强化学习的推荐范式，通过“思考前推荐”提示和GRPO奖励建模训练单个LLM自主推理评分预测，显著优于现有基线方法。
2025-10-27 cs.AI cs.IR
RALLRec+: Retrieval Augmented Large Language Model Recommendation with Reasoning
提出RALLRec+，通过联合表示学习和重排序改进检索，结合推理LLM与通用LLM增强生成，提升推荐性能。
2025-03-26 cs.IR
Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations
The Hong Kong Polytechnic University（香港理工大学）；Kuaishou Technology（快手科技）
提出AIR框架，通过离线LLM推理与在线高效检索组合，实现工业级跨域推荐，在快手电商中GMV提升3.446%。
2026-06-09 cs.AI cs.IR
Enhancing Recommender Systems with Large Language Model Reasoning Graphs
本文提出 LLMRG，利用大语言模型为用户构建可解释的个性化因果逻辑推理图，并结合图神经网络增强传统推荐模型。
2024-01-25 cs.IR
Neuro-Symbolic Recommendation Model based on Logic Query
Huzhou University（湖州师范学院）；Zhejiang Province Key Laboratory of Smart Management and Application of Modern Agricultural Resources（浙江省现代农业资源智慧管理与应用重点实验室）；Guizhou University（贵州大学）；Guizhou Academy of Sciences（贵州科学院）
提出一种基于逻辑查询的神经符号推荐模型，将用户历史交互转化为逻辑表达式并通过神经网络模块化逻辑运算和隐式逻辑编码器进行推荐预测，在三个数据集上优于现有浅层、深度、会话和推理模型。
2023-09-14 cs.AI cs.IR
R$^2$ec: Towards Large Recommender Models with Reasoning
The Hong Kong Polytechnic University（香港理工大学）；National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
本文提出R$^2$ec统一大型推荐模型，采用双头架构支持推理链生成与高效物品预测以降低延迟，并设计RecPO强化学习框架联合优化推理与推荐，在多个数据集上优于多种基线且具强适应性。
2025-10-31 cs.AI cs.CL cs.IR
Explainable Reasoning over Knowledge Graphs for Recommendation
将知识图谱应用于推荐系统的研究近年来受到越来越多的关注。通过探索知识图谱内的互连，可以发现用户和项目之间的连接作为路径，这为用户-项目交互提供了丰富的补充信息。这种连接性不仅揭示了实体和关系的语义，而且有助于理解用户的兴趣。然而，现有的努力还没有充分探索这种连接来推断用户的喜好，特别是在建模的顺序依赖关系和整体语义的path. In本文中，我们贡献了一个新的模型命名为知识感知路径递归网络（KPRN）利用知识图谱的推荐。KPRN可以通过组合实体和关系的语义来生成路径表示。通过利用路径内的顺序依赖关系，我们允许对路径进行有效的推理，以推断用户-项目交互的基本原理。此外，我们设计了一个新的加权池操作来区分不同的路径连接用户与项目的强度，赋予我们的模型具有一定程度的可解释性。我们在关于电影和音乐的两个数据集上进行了广泛的实验，证明了与最先进的解决方案协作知识库嵌入和神经因子分解机相比的显着改进。
2018-11-12 cs.IR
Iterative Semantic Reasoning from Individual to Group Interests for Generative Recommendation with LLMs
本文提出ISRF框架，通过三次步骤实现从个体到群体的语义推理，提升生成推荐的准确性与全面性。
2026-03-14 cs.AI cs.IR
Graph Neural Network Surrogates of Fair Graph Filtering
Information Technologies Institute（信息技术研究所）；Centre for Research and Technology—Hellas（希腊研究与技术中心）
通过边传播将先前节点值转换为后验分数的图过滤器通常支持影响人类的图挖掘任务，例如推荐和排名。因此，重要的是使它们在满足节点组之间的统计奇偶性约束（例如，在性别之间按比例分配评分质量）。为了实现这一点，同时最小限度地扰动原始后验，我们引入了一个过滤器感知的通用近似框架后验目标。这定义了在运行时训练的适当的图神经网络，类似于过滤器，但也局部优化了一大类目标，包括公平性感知的目标。在8个过滤器和5个图的集合上的实验表明，我们的方法在满足奇偶性约束的同时，保持基于分数的社区成员推荐的AUC，并在先前的扩散中产生最小的效用损失。
2023-03-16 cs.CY cs.IR cs.LG
ThinkRec: Thinking-based recommendation via LLM
Zhejiang University（浙江大学）；Shanghai AI Laboratory（上海人工智能实验室）
ThinkRec通过引入思考激活机制和实例级专家融合机制，提升推荐系统的准确性和可解释性。
2026-01-21 cs.AI cs.IR
