Reasoning over Semantic IDs Enhances Generative Recommendation
National University of Singapore(国立新加坡大学);University of Science and Technology of China(中国科学技术大学);Tencent Inc.(腾讯公司)
提出SIDReasoner两阶段框架,通过增强语义ID与语言的对齐和结果驱动的强化优化,实现无需大量推理标注的有效推理,提升生成式推荐的准确性、可解释性和跨领域泛化能力。
2026-06-09 cs.AI cs.IR
ReRec: Reasoning-Augmented LLM-based Recommendation Assistant via Reinforcement Fine-tuning
The Hong Kong Polytechnic University(香港理工大学)
ReRec通过强化微调框架提升LLM在复杂推荐任务中的推理能力,引入双重图增强奖励塑造、推理感知优势估计和在线课程调度器,实验证明其优于现有基线模型。
2026-04-09 cs.AI cs.IR
Selection and Exploitation of High-Quality Knowledge from Large Language Models for Recommendation
针对LLM生成知识存在的幻觉、冗余和同质化问题,提出KSER框架,通过知识过滤模块(ESFNet)和嵌入空间对齐模块选择并利用高质量知识,并设计了两种训练策略,有效提升了推荐系统性能。
2025-08-10 cs.AI cs.IR
Multi-view Intent Learning and Alignment with Large Language Models for Session-based Recommendation
School of Big Data and Software Engineering, Chongqing University(重庆大学大数据与软件学院);BNRist, Tsinghua University(清华大学BNRist);Tencent Inc.(腾讯公司)
针对会话式推荐(SBR)中数据稀疏、LLM应用受限等问题,提出两阶段LLM增强框架,通过多视角意图学习与对齐融合语义和行为信号,在真实数据集上提升性能并发布代码。
2025-04-14 cs.AI cs.IR
IDGenRec: LLM-RecSys Alignment with Textual ID Learning
Rutgers University(罗格斯大学)
针对生成式推荐中物品ID编码难题,提出IDGen方法生成语义文本ID,实现LLM与推荐系统对齐,在序列推荐任务上性能超越现有模型,且跨平台零样本基础模型性能可媲美监督训练的传统推荐模型。
2024-05-17 cs.AI cs.CL cs.IR
From Prompting to Behavioral Alignment: Personalized LLM Judges for Recommendation Evaluation
Netflix(网飞公司)
该研究针对离线推荐评估中LLM存在的双向合理化问题,提出序列行为对齐框架,经真实日志验证,其Macro-F1较零样本基线提升32.19%,可缓解失效模式且无需人工管道开销。
2026-08-13 cs.AI cs.LG
CALRec: Contrastive Alignment of Generative LLMs for Sequential Recommendation
University of Cambridge(剑桥大学);Google(谷歌公司)
提出CALRec两阶段LLM微调框架,结合对比损失与语言建模损失,显著提升序列推荐性能并超越基线。
2024-08-23 cs.AI cs.CL cs.IR
RAH! RecSys-Assistant-Human: A Human-Centered Recommendation Framework with LLM Agents
Fudan University(复旦大学);Microsoft Research Asia(微软亚洲研究院)
本研究提出RAH框架,利用基于LLM的智能体(感知、学习、行动、评估、反思)和Learn-Act-Critic循环,通过以人为本的方法解决推荐系统中的准确性、偏见和冷启动问题,有效减轻用户负担并增强控制。
2023-10-17 cs.AI cs.IR
LLM-Aligned Geographic Item Tokenization for Local-Life Recommendation
Kuaishou Technology(快手科技)
针对本地生活推荐中现有文本方法难以捕捉细粒度空间特征与距离感知的问题,提出LGSID框架,通过G-DPO算法对齐LLM空间知识并设计分层分词策略,在快手数据集上性能超越现有最优模型。
2025-11-18 cs.AI cs.IR
Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation
Renmin University of China(中国人民大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
本文提出 LSVCR,通过 SR 模型与补充性 LLM 推荐器的两阶段对齐和微调,联合建模视频与评论交互,实现视频和评论个性化推荐,并在快手在线实验中提升评论观看时长 4.13%。
2025-07-23 cs.AI cs.IR
When Relevance Meets Novelty: Dual-Stable Periodic Optimization for Serendipitous Recommendation
Tsinghua University(清华大学)
本文提出CoEA方法,通过双稳定周期优化解决推荐系统中相关性与新颖性的平衡问题,提升偶然推荐效果。
2026-03-04 cs.AI cs.IR
De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models
University of Southern California(南加州大学)
JobRec通过约束双视角推理解构偏好与资格,提升职位推荐的可控性和匹配质量。
2026-02-03 cs.AI
PerFairX: Is There a Balance Between Fairness and Personality in Large Language Model Recommendations?
本研究提出PerFairX框架,量化LLM推荐中个性与公平性的权衡,发现个性提示提升心理对齐但加剧公平差异,为平衡两者提供基准。
2025-08-20 cs.AI cs.CY cs.IR
VL-CLIP: Enhancing Multimodal Recommendations via Visual Grounding and LLM-Augmented CLIP Embeddings
Walmart Global Tech(沃尔玛全球技术)
本文提出 VL-CLIP 框架,利用视觉定位获取细粒度商品图像特征,并借助 LLM 智能体丰富和消歧文本嵌入,从而提升大规模电商多模态检索与推荐效果。
2025-07-22 cs.AI cs.CV cs.IR
Taiji: Pareto Optimal Policy Optimization with Semantics-IDs Trade-off for Industrial LLM-Enhanced Recommendation
Kuaishou Technology(快手科技);Unaffiliated(无隶属)
提出Taiji框架,通过逆向工程推理和开放拒绝采样生成高质量CoT数据,并采用帕累托最优策略优化(POPO)自适应调整跨域奖励权重,实现LLM语义知识与推荐ID特征的帕累托最优权衡,在快手广告平台部署后服务超4亿日活用户。
2026-06-02 cs.AI cs.CL cs.IR
Bridging Collaborative Filtering and Large Language Models with Dynamic Alignment, Multimodal Fusion and Evidence-grounded Explanations
Department of Software \& Microelectronics, Peking University, Beijing, China;Economic Law School, China University of Political Science;Financial Media, Peking University, ChangSha, China
针对LLM推荐中静态协同过滤缺时效性、模态单一及解释缺证据的问题,提出含动态适配、多模态融合与证据化解释的框架,兼顾效率与实用性。
2025-10-02 cs.AI cs.CL cs.IR
Personalized Education with Ranking Alignment Recommendation
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对现有基于强化学习的个性化习题推荐探索效率低、难筛选最优习题的问题,提出融入协同思想的排序对齐推荐方法,有效提升推荐性能且可适配各类RL习题推荐框架。
2025-07-31 cs.AI cs.IR
IB-GRPO: Aligning LLM-based Learning Path Recommendation with Educational Objectives via Indicator-Based Group Relative Policy Optimization
East China Normal University(东华大学)
IB-GRPO通过基于指标的群体相对策略优化,解决大语言模型在学习路径推荐中的多目标对齐问题,提升学习效果与教学目标的一致性。
2026-01-21 cs.AI cs.LG
Where and What: Reasoning Dynamic and Implicit Preferences in Situated Conversational Recommendation
Department of Computing, The Hong Kong Polytechnic University(香港理工大学计算机系);College of Computer Science, Sichuan University(四川大学计算机学院)
本文提出SiPeR框架,通过场景转换估计和贝叶斯逆推推理,提升情境对话推荐的准确性和响应质量。
2026-04-22 cs.AI
Cross-domain recommendation via user interest alignment
Tianjin University(天津大学);Lenovo Research(联想研究院);Hangzhou Dianzi University(杭州电子科技大学)
跨领域推荐旨在利用多个领域的知识来缓解传统推荐系统中的数据稀疏和冷启动问题。一种流行的范例是采用重叠的用户表示来建立域连接,从而在所有场景中提高推荐性能。然而,这种方法的一般做法是在每个域中分别训练用户嵌入,然后以简单的方式聚合它们,通常忽略用户和项目之间潜在的跨域相似性。此外,考虑到它们的训练目标是面向推荐任务的,而没有特定的正则化,优化的嵌入忽略了用户视图之间的兴趣对齐,甚至违反了用户的原始兴趣分布。为了解决这些挑战,我们提出了一种新的跨域推荐框架,即COAST,通过感知实体之间的跨域相似性和对齐用户兴趣来提高双域推荐性能。具体来说,我们首先构建了一个统一的跨域异构图,并重新定义了图卷积网络的消息传递机制,以捕获跨域用户和项目的高阶相似性。针对用户兴趣对齐,我们开发了两个更细粒度的角度,用户-用户和用户-项目兴趣不变性跨领域凭借丰富的无监督和语义信号的深刻见解。我们对多个任务进行了深入的实验,这些任务是从两个大型推荐数据集构建的。大量的结果表明,COAST一致和显着优于国家的最先进的跨域推荐算法,以及经典的单域推荐方法。
2023-01-26 cs.AI cs.IR
EGRA:Toward Enhanced Behavior Graphs and Representation Alignment for Multimodal Recommendation
College of Computing and Data Science, Nanyang Technological University, Singapore(南洋理工大学计算与数据科学学院)
针对多模态推荐现有方法不足,EGRA通过纳入预训练模型生成表示构建的项-项图减轻稀疏性,引入双层动态对齐加权机制提升模态-行为表示对齐,实验证明其有效性。
2026-07-28 cs.AI cs.IR
Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
跨领域推荐(CDR)是利用不同领域的知识来解决推荐系统中的数据稀疏性和冷启动问题的一种方法。在本文中,我们专注于基于评论的非重叠推荐(RNCDR)问题。该问题是一个普遍存在且具有挑战性的问题,主要表现在两个方面,即目标域上只有正的用户项目评分和不同域之间没有重叠的用户。大多数先前的CDR方法不能很好地解决RNCDR问题,因为(1)它们不能有效地将审查与其他信息(例如,ID或评级)来获得富有表现力的用户或项目嵌入,(2)它们不能减少用户和项目上的域差异。为了填补这一空白,我们提出了协同过滤与归因对齐模型(CFAA),一个跨域推荐框架的RNCDR问题。CFAA包括两个主要模块,即,评分预测模块和嵌入属性对齐模块。前者旨在联合挖掘评论,一个热门ID和多个热门历史评分,以生成富有表现力的用户和项目嵌入。后者包括纵向归因一致性和横向归因一致性,倾向于基于多个视角减少差异。我们对豆瓣和亚马逊数据集的实证研究表明,CFAA在RNCDR设置下显着优于最先进的模型。
2022-02-10 cs.AI cs.IR
RecGOAT: Graph Optimal Adaptive Transport for LLM-Enhanced Multimodal Recommendation with Dual Semantic Alignment
Fudan University(复旦大学);University of Southern California(南加州大学)
针对生成式语言模型表示与ID协同信号之间的语义异质性,提出基于图神经网络和最优传输理论的双粒度语义对齐框架RecGOAT,通过实例级和分布级对齐实现统一特征空间,理论证明其表示误差更低,实验达到最优性能。
2026-05-25 cs.AI cs.IR
EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment
National University of Singapore(新加坡国立大学);Beijing University of Posts and Telecommunications(北京邮电大学);Tencent(腾讯);Shandong University(山东大学)
EchoRec通过跨多时间步长的循环一致整体偏好对齐,结合感知时间步长的偏好生成与可验证的整体偏好对齐模块,在三个数据集上实现了更优的生成式推荐性能,且具备多物品生成能力。
2026-11-03 cs.AI cs.IR
Behavior Alignment: A New Perspective of Evaluating LLM-based Conversational Recommender Systems
University of Delaware(特拉华大学)
本文提出行为对齐这一新评估指标,用于衡量基于LLM的对话推荐系统与人类推荐者策略的一致性,并设计基于分类的隐式测量方法以降低人工标注成本,实验证明其优于现有指标。
2024-10-17 cs.AI cs.IR
Fine-grained Alignment of Large Language Models for General Medication Recommendation without Overprescription
针对大语言模型在药物推荐中精度不足、过度处方的问题,提出语言辅助药物推荐框架以药物感知方式微调模型,提升临床病历利用率,在内部验证中性能超现有方法10%以上,且具备良好泛化性和分布外药物处理能力。
2025-08-03 cs.IR
LLM-Alignment Live-Streaming Recommendation
本文针对直播内容动态变化导致推荐体验差异的挑战,提出LLM-Alignment Live-Streaming Recommendation方法,通过准确解读直播实时语义并与用户偏好对齐来优化推荐系统。
2025-04-07 cs.IR
Collaborative Semantic Alignment in Recommendation Systems
本文提出CARec模型,通过将协同过滤信号与预训练语言模型的语义表示相结合,解决两者表示空间对齐问题,在四个数据集上显著提升推荐性能并有效适用于冷启动场景。
2024-02-14 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
Mitigating Recommendation Biases via Group-Alignment and Global-Uniformity in Representation Learning
Hefei University of Technology(合肥工业大学);Tsinghua University(清华大学)
针对协同过滤推荐因训练数据不平衡导致的热门偏好与非活跃用户表现差问题,本文提出AURL框架,通过组对齐与全局均匀性正则化优化表示分布,缓解偏差,实验验证其优越性。
2025-11-17 cs.IR
Lightweight yet Fine-grained: A Graph Capsule Convolutional Network with Subspace Alignment for Shared-account Sequential Recommendation
College of Computer Science and Engineering, Shandong University of Science and Technology(山东科技大学计算机科学与工程学院);College of Computer Science and Technology, Ocean University of China(中国海洋大学计算机科学与技术学院)
针对共享账户序列推荐中难以捕捉细粒度关联且现有方法计算复杂的问题,提出轻量图胶囊卷积网络结合子空间对齐方法,实现交互与潜在用户的细粒度匹配并优化序列表示,在准确性和效率上优于九种先进方法。
2024-12-18 cs.AI cs.IR cs.LG
QARM: Quantitative Alignment Multi-Modal Recommendation at Kuaishou
Kuaishou Technology(快手科技)
本文提出QARM框架,通过定量对齐解决多模态预训练与推荐任务间的表示不匹配和不可学习问题,为下游模型定制可训练的多模态信息。
2024-11-18 cs.AI cs.IR
Training Large Recommendation Models via Graph-Language Token Alignment
本文提出GLTA框架,通过图-语言令牌对齐训练大型推荐模型,利用LLM推理能力并引入GLLM优化端到端物品预测,在三个基准数据集上验证了有效性。
2025-02-26 cs.IR
Multi-domain Recommendation with Embedding Disentangling and Domain Alignment
The University of Hong Kong(香港大学);Southern University of Science and Technology(南方科技大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对多域推荐中跨域与域专属知识难分离、低重叠域知识迁移弱的问题,提出 EDDA,通过嵌入解耦推荐器和基于随机游走的域对齐提升性能,并在 3 个真实数据集上优于 12 个基线。
2023-08-14 cs.AI cs.IR
Graph-based Alignment and Uniformity for Recommendation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Salesforce AI Research(赛富时人工智能研究院);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Electronic Science and Technology of China(电子科技大学)
针对超球面表示学习在推荐系统中的稀疏性问题,提出GraphAU,利用二部图高阶邻域聚合与分层对齐池化提升性能并达到最先进水平。
2023-08-18 cs.AI cs.IR cs.LG
History-Conditioned Joint-Prefix Alignment for Generative Recommendation
Harbin Institute of Technology(哈尔滨工业大学)
针对生成式推荐中早期束搜索分支的真实 SID 剪枝问题,提出 TAAL 方法,通过训练时的联合软目标对齐与推理时的 PMI 分数校准,在三个公开基准上显著提升推荐性能与 SID 存活率。
2026-09-29 cs.AI cs.IR
Aligning Recommendations with User Popularity Preferences
University of Amsterdam(阿姆斯特丹大学);Amazon Music(亚马逊音乐)
本文研究推荐系统中的流行偏差问题,提出基于激活引导的SPREE方法,通过量化用户历史流行偏好与推荐流行度的不匹配,提升用户层面的推荐对齐性。
2026-04-01 cs.AI cs.CY cs.IR
Cross-attention Secretly Performs Orthogonal Alignment in Recommendation Models
Meta
该研究揭示了推荐模型中交叉注意力隐式执行正交对齐机制,发现其能自然产生并改善缩放定律,在超300次实验中提升性能,为多模态参数高效缩放提供了新方向。
2025-10-10 cs.IR cs.LG
Multimodal Fusion And Sparse Attention-based Alignment Model for Long Sequential Recommendation
针对长序列推荐中多模态理解与用户多粒度兴趣建模的挑战,提出MUFASA模型,通过多模态融合层与稀疏注意力对齐层生成高质量表示,显著超越基线并在在线A/B测试中取得显著收益。
2025-08-13 cs.IR
SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation
针对推荐系统中冷启动/长尾物品推荐性能弱、多模态表征与排序模型联合训练成本高的问题,提出轻量的语义-行为对齐框架SaviorRec,通过行为感知多模态编码和残差量化语义ID实现对齐,在Taobao平台取得显著效果提升。
2025-08-02 cs.IR
ConAlign: Conditional Alignment Framework for Balancing Biased and Unbiased Recommendation
Kuaishou Technology(快手科技)
针对工业推荐系统偏差问题,提出ConAlign条件去偏方法,通过离散门控条件对齐机制平衡事实准确性和无偏偏好估计,支持实时流适应,经实验验证有效,提升了快手用户长期参与度和兴趣多样性。
2026-07-28 cs.IR
Information-Guided Selective Modality-Interest Alignment for Multimodal Recommendation
Shanghai Jiao Tong University(上海交通大学)
针对多模态推荐中模态信号选择不明确的问题,提出AMUR框架,通过优化模态图结构并选择性对齐跨模态兴趣语义,提升推荐性能且保留互补信息,经实验验证有效。
2026-08-31 cs.IR
Token-level Collaborative Alignment for LLM-based Generative Recommendation
University of Science and Technology of China(中国科学技术大学);Ant Group(蚂蚁集团);Rutgers University(罗格斯大学)
TCA4Rec通过令牌级协同对齐框架,将协同过滤与大语言模型生成结合,提升推荐系统的准确性和可控性。
2026-01-26 cs.IR
A Contrastive Framework with User, Item and Review Alignment for Recommendation
针对评论感知推荐中评论缺失及表示不一致问题,提出以评论为中心的对比对齐框架ReCAFR,通过自监督对比策略缓解稀疏性并对齐用户、物品和评论表示,在基准数据集上验证了有效性与鲁棒性。
2025-04-23 cs.IR
RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems
Forth AI Singapore(Forth AI新加坡);Shopee Singapore(Shopee新加坡);Singapore Uni. of Tech. and Design(新加坡技术与设计大学)
RGAlign-Rec通过闭环对齐框架结合语义推理和增强查询模型,提升电子商务推荐系统的预测准确性和服务质量。
2026-02-13 cs.AI cs.CL cs.IR
SafeCRS: Personalized Safety Alignment for LLM-Based Conversational Recommender Systems
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon(亚马逊)
SafeCRS通过整合安全监督微调与安全组奖励解耦归一化策略优化,提升基于大语言模型的对话推荐系统在个性化安全约束下的推荐质量与安全对齐能力。
2026-07-28 cs.AI cs.CL cs.IR
Graph-Sequential Alignment and Uniformity: Toward Enhanced Recommendation Systems
针对图与序列推荐无法互补的问题,提出整合两者的框架,通过共享嵌入空间并设计对齐与一致性损失函数实现正向知识迁移,在三个数据集上取得最优性能。
2025-01-29 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
MTFM: A Scalable and Alignment-free Foundation Model for Industrial Recommendation in Meituan
Meituan(美团)
MTFM是一种基于Transformer的工业推荐基础模型,通过异构标记和多场景样本聚合提升效率,实现无对齐的多场景推荐效果。
2026-02-13 cs.IR
Align$^3$GR: Unified Multi-Level Alignment for LLM-based Generative Recommendation
Kuaishou Technology(快手科技)
Align$^3$GR通过统一多级对齐方法,提升大语言模型在生成推荐系统中的性能,实验显示在Recall@10和NDCG@10指标上均取得显著提升。
2025-11-24 cs.IR
An LLM-Powered Semantic Alignment Framework for Journal Recommendation
Central University of Finance and Economics(中央财经大学);Peking University(北京大学)
提出一种基于大语言模型的语义对齐框架,将期刊推荐转化为稿件内容与期刊范围描述之间的语义匹配问题,无需训练即可实现高效推荐。
2026-06-29 cs.IR stat.AP
Video-to-Music Recommendation using Temporal Alignment of Segments
针对音乐监督任务中视频配乐跨模态推荐的结构适配需求,提出基于语义片段与序列对齐代价排序的结构感知推荐方法,显著提升自监督推荐系统性能,并探究了不同排序指标和分割方法的影响。
2023-06-12 cs.IR cs.LG cs.MM
Test-Time Alignment for Tracking User Interest Shifts in Sequential Recommendation
针对序列推荐中用户兴趣偏移导致模型性能下降的问题,提出T$^2$ARec模型,通过引入两个测试时对齐模块结合状态空间模型进行测试时训练,有效捕获时间动态并显式识别兴趣偏移,在三个基准数据集上实现了最先进的性能。
2025-04-02 cs.IR
ToolRec: Calibrated Preference Alignment for Query Recommendation in On-Device Assistants
Huazhong University of Science and Technology(华中科技大学);OPPO AI Center(OPPO人工智能中心);Chongqing University(重庆大学)
提出ToolRec框架,通过构建系统工具库和双层校准机制优化点击数据,利用加权KTO对齐模型,在设备端助手查询推荐中提升点击率和相关性。
2026-07-31 cs.IR