EventChat: Implementation and user-centric evaluation of a large language model-driven conversational recommender system for exploring leisure events in an SME context
Swiss Federal Institute of Technology, Zurich(苏黎世联邦理工学院)
本文提出一种基于大语言模型的对话推荐系统,通过客观指标和用户评价评估其在中小企业场景下的性能,揭示了系统在用户体验和商业可行性方面的挑战。
2026-03-31 cs.AI cs.CL cs.IR
EXIT: Context-Aware Extractive Compression for Enhancing Retrieval-Augmented Generation
School of Computing(计算机学院);Graduate School of AI(人工智能研究生院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出抽取式上下文压缩框架EXIT,通过保留上下文依赖的可并行化句子分类适应查询复杂度,在单跳和多跳QA任务中超越现有方法与未压缩基线,显著提升了RAG的准确率与效率。
2025-05-29 cs.AI cs.CL cs.IR
AutoRecLab: Describe the Experiment, Get the Code!
University of Siegen(锡根大学);University of Göttingen(哥廷根大学)
AutoRecLab是一个基于Python的自主推荐系统实验室,能从自然语言描述自动生成实验代码,结合RAG、静态类型验证和树搜索,在演示中成功实现反馈转换研究,8/9次运行成功,每次成本约1美元。
2026-09-21 cs.AI cs.IR cs.LG
Stealthy LLM-Driven Data Poisoning Attacks Against Embedding-Based Retrieval-Augmented Recommender Systems
本文系统研究了基于 RAG 的推荐系统中通过微调物品描述 token 实施的隐蔽数据投毒攻击,并在 MovieLens 上验证其能显著改变排名与曝光,揭示了现有流程的脆弱性及防御需求。
2025-05-08 cs.IR
Balancing Fine-tuning and RAG: A Hybrid Strategy for Dynamic LLM Recommendation Updates
Google(谷歌);Google Deepmind(谷歌DeepMind)
针对LLM推荐系统难以实时更新用户兴趣的问题,本文比较持续微调与RAG的权衡,提出结合周期性微调长期适应与低成本RAG敏捷性的混合更新策略,并在十亿用户平台A/B实验中显著提升用户满意度。
2025-10-23 cs.IR
LlamaRec-LKG-RAG: A Single-Pass, Learnable Knowledge Graph-RAG Framework for LLM-Based Ranking
该研究提出LlamaRec-LKG-RAG框架,将个性化知识图谱上下文集成到LLM推荐排序中,经ML-100K等数据集实验,在MRR等指标上较LlamaRec取得提升,为知识感知个性化推荐奠定基础。
2026-08-18 cs.AI cs.CL cs.IR
WebRec: Enhancing LLM-based Recommendations with Attention-guided RAG from Web
The Hong Kong Polytechnic University(香港理工大学)
针对现有基于RAG的推荐系统未充分利用网络资源的问题,提出WebRec框架,通过LLM生成适配的检索查询、设计MP-Head模块增强分散相关信息的注意力,有效提升了推荐效果。
2025-11-18 cs.IR
SIREN (Luring LLMs onto the Rocks): PAIR-Driven Preference Manipulation in Web-RAG Recommenders
The University of Queensland(昆士兰大学);Curtin University(科廷大学)
研究网页增强型大语言模型推荐系统中排序推荐的对抗操纵问题,提出SIREN方法,利用23种内容中毒技术迭代编辑检索到的网页,在两个Claude模型上实验,使选定实体多次达排名第1,验证了声明性排名等方式的有效性。
2026-10-22 cs.CR cs.IR
Enhancing Tourism Recommender Systems for Sustainable City Trips Using Retrieval-Augmented Generation
本文提出可持续性增强重排序(SAR)方法,将城市热度与季节性需求指标融入检索增强生成流程,使旅游推荐系统在保持个性化建议的同时兼顾可持续性目标,并在多个开源LLM上验证了其有效性。
2025-04-12 cs.IR
Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation
针对LLM推荐系统存在的幻觉和缺乏最新领域知识等问题,提出检索增强框架K-RagRec,通过从知识图谱中检索高质量结构信息来增强推荐生成,实验证明其有效性。
2025-05-28 cs.IR
RAG-VisualRec: An Open Resource for Vision- and Text-Enhanced Retrieval-Augmented Generation in Recommendation
University of Luxembourg(卢森堡大学);Polytechnic University of Bari(巴里理工大学)
本文提出RAG-VisualRec,通过结合LLM生成的项目描述和剪辑生成的视觉嵌入,提升多模态推荐系统的检索与生成能力,通过可配置融合策略和质量控制模块提高推荐效果和可复现性。
2026-02-15 cs.IR cs.MM
SPARC-RAG: Adaptive Sequential-Parallel Scaling with Context Management for Retrieval-Augmented Generation
University of Southern California(南加州大学);Capital One
SPARC-RAG通过多代理框架实现顺序与并行扩展的协调,提升检索增强生成在多跳问答中的性能和效率。
2026-01-22 cs.AI cs.CL cs.IR
ScienceDB AI: An LLM-Driven Agentic Recommender System for Large-Scale Scientific Data Sharing Services
Computer Network Information Center, Chinese Academy of Sciences, Beijing, China(中国科学院计算机网络信息中心)
ScienceDB AI 是首个基于大语言模型的对话推荐系统,专为大规模科学数据共享服务设计,通过自然语言对话和深度推理实现精准的数据集推荐。
2026-01-03 cs.AI cs.DL cs.IR
Retrieval-Augmented Review Generation for Poisoning Recommender Systems
University of New South Wales and CSIRO’s Data61(新南威尔士大学和CSIRO的Data61)
本文提出RAGAN框架,利用多模态基础模型的上下文学习能力,结合演示检索和文本风格迁移,生成高质量虚假用户画像,以提升对黑盒推荐系统投毒攻击的可迁移性与隐蔽性。
2025-11-06 cs.CL cs.CR cs.IR
Enhancing Retrieval Performance: An Ensemble Approach For Hard Negative Mining
本研究针对信息检索中难负例筛选的难题,提出适用于企业领域数据集的鲁棒难负例挖掘技术,通过交叉编码器同时学习相似性与差异性提升检索性能,为优化RAG、ReAct等大模型系统提供新视角。
2024-10-18 cs.AI cs.CL cs.IR
Empowering Compact LLMs with Fusion of Layer-wise Exits for Recommendation
The University of Queensland(昆士兰大学);Griffith University(格里菲斯大学);Edith Cowan University(伊迪丝科文大学);University of Notre Dame(圣母大学)
本文提出FLEXRec框架,通过在紧凑型LLM的Transformer层插入预测头并自适应融合,结合AC-Router与目标k铰链损失,在三个数据集上以Qwen 3 1.7B和Llama 3.2 3B实现紧凑型主干方法中最优准确率且效率高。
2026-08-28 cs.IR
Generalized Rank-based Evaluation for Knowledge Graph Completion: Perspectives, Framework, and Analyses
Chung-Ang University(中央大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对现有评估指标忽视预测锐度与流行偏差鲁棒性的问题,提出广义评估框架PROBE,通过排序变换器和排序聚合器实现更全面、灵活且一致的模型评估。
2026-06-08 cs.LG
MARC: Multimodal and Multi-Task Agentic Retrieval-Augmented Generation for Cold-Start Recommender System
Department of Industrial Data Engineering, Hanyang University, Republic of Korea(工业数据工程系,翰阳大学);School of Interdisciplinary Industrial Studies, Hanyang University, Republic of Korea(跨学科工业研究学院,翰阳大学)
针对冷启动推荐场景局限,本文提出基于Agentic RAG与图数据库的多模态多任务鸡尾酒推荐系统MARC,经双维度评估验证其回答质量优于普通向量数据库方案。
2025-11-15 cs.AI cs.IR
CAL-RAG: Retrieval-Augmented Multi-Agent Generation for Content-Aware Layout Design
Walmart Global Tech(沃尔玛全球技术)
针对自动化内容感知布局生成缺乏设计样例支撑、语义对齐与视觉连贯性不足的问题,提出CAL-RAG框架,通过多模态检索、LLM推荐、多智能体协作评估与迭代优化,在PKU PosterLayout数据集上多指标超越基线,为该任务提供高效解决方案。
2025-06-27 cs.CV cs.IR
Tuning-Free LLM Can Build A Strong Recommender Under Sparse Connectivity And Knowledge Gap Via Extracting Intent
Capital One
本文提出IKGR,一种基于LLM的意图知识图推荐系统,通过提取意图构建意图中心知识图,缓解稀疏性和冷启动问题,实现高效推荐。
2026-03-11 cs.AI cs.IR
A Comprehensive Review on Harnessing Large Language Models to Overcome Recommender System Challenges
Linkedin, Carnegie Mellon University, Stanford University(LinkedIn、卡内基梅隆大学、斯坦福大学);Meta;Linkedin, Meta AI, Amazon, Boston University(LinkedIn、Meta AI、亚马逊、波士顿大学);Amazon(亚马逊)
该综述梳理了大语言模型在提示驱动候选检索、语言原生排序等推荐场景的应用,分类了LLM驱动的推荐架构,分析其解决传统推荐系统瓶颈的效果,为LLM增强推荐系统设计提供结构化框架。
2025-10-03 cs.AI cs.IR
A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models
The Hong Kong Polytechnic University(香港理工大学);Baidu Inc(百度公司);National University of Singapore(新加坡国立大学)
本文综述检索增强大语言模型RA-LLMs,从架构、训练策略与应用系统梳理RAG如何利用外部权威知识缓解LLM幻觉和知识过时问题,并指出局限与未来方向。
2024-06-17 cs.AI cs.CL cs.IR
Federated Recommendation via Hybrid Retrieval Augmented Generation
Unversity of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对传统联邦推荐数据稀疏异质、大语言模型推荐效率低易幻觉的问题,提出两阶段GPT-FedRec框架,通过混合检索挖掘ID用户模式与文本物品特征,再用GPT重排序,在多基准数据集上性能优于现有最优方法。
2024-03-07 cs.AI cs.IR
Do LLMs Understand Collaborative Signals? Diagnosis and Repair
Google(谷歌)
本文研究大语言模型在推荐任务中处理协作信息的能力,通过检索增强生成方法提升其推理性能,实验表明在提供清晰信息时LLM优于传统矩阵分解模型。
2026-03-22 cs.AI cs.CL cs.IR
ItemRAG: Item-Based Retrieval-Augmented Generation for LLM-Based Recommendation
Seoul National University(首尔国立大学)
ItemRAG通过细粒度物品级检索提升推荐效果,结合共购信息与语义信息,有效解决冷启动问题,实验表明其优于现有RAG方法。
2026-04-22 cs.AI cs.IR
Customized Retrieval-Augmented Generation with LLM for Debiasing Recommendation Unlearning
Xi'an Jiaotong-Liverpool University(西安交通大学利物浦大学)
本文提出CRAGRU框架,利用检索增强生成将推荐遗忘解耦为检索与生成两阶段,在高效删除目标用户数据的同时缓解传播偏差并保持推荐质量。
2025-09-10 cs.AI cs.IR
CIRR: Causal-Invariant Retrieval-Augmented Recommendation with Faithful Explanations under Distribution Shift
University of Wisconsin--Madison(威斯康星大学麦迪逊分校)
CIRR通过因果不变性学习和一致性约束,解决推荐系统在分布偏移下的性能下降问题,并提供更可信的解释。
2025-12-21 cs.IR
TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation
University of Southampton(索姆塞特大学);Durham University(杜 ham 大学);Japan Advanced Institute of Science and Technology(日本先进科学和技术研究院);Newcastle University(新卡斯尔大学)
本文提出TutorLLM,一个结合知识追踪(KT)与检索增强生成(RAG)的个性化学习推荐LLM系统,通过MLFBK模型预测学习状态并利用Scraper模型提升准确度,显著提升了用户满意度与测验成绩。
2025-04-27 cs.AI cs.IR cs.LG
RAMO: Retrieval-Augmented Generation for Enhancing MOOCs Recommendations
Carnegie Mellon University(卡内基梅隆大学)
本文提出RAMO系统,利用大型语言模型与检索增强生成技术,通过对话式界面解决MOOC课程推荐中的新用户冷启动问题,以提升个性化学习体验。
2024-07-06 cs.AI cs.HC cs.IR
MR.Rec: Synergizing Memory and Reasoning for Personalized Recommendation Assistant with LLMs
提出MR.Rec框架,结合检索增强记忆与强化学习推理,解决LLM推荐中的个性化与推理局限,实验证明其优于现有基线。
2025-10-16 cs.IR
Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation
The Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学)
提出MixRAGRec框架,通过混合专家检索、知识偏好对齐和对比学习增强推荐,解决KG-RAG中检索粒度单一、结构信息丢失和端到端学习困难问题。
2026-05-29 cs.IR
X-KGRank: A Knowledge Graph RAG Framework for Explainable Recommendations via Pattern Mining and LLM Re-Ranking
San Jose State University(圣何塞州立大学)
X-KGRank是一种知识图谱检索增强推荐框架,结合协同过滤与LLM解释,在MovieLens-1M数据集上提升了推荐指标,且小参数LLM可实现相当的解释质量但更易产生事实错误。
2026-08-04 cs.AI cs.IR
Retrieval Augmented Generation with Collaborative Filtering for Personalized Text Generation
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CFRAG方法,将协同过滤引入个性化检索增强生成,通过对比学习获取相似用户协同信息,并利用LLM反馈微调个性化检索与重排序器,在LaMP基准上验证了其有效性。
2025-04-08 cs.CL 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
Retrieval-Augmented Purifier for Robust LLM-Empowered Recommendation
The Hong Kong Polytechnic University(香港理工大学)
本文提出RETURN框架,通过检索外部协同信号净化被投毒的用户画像,以即插即用方式增强LLM推荐系统鲁棒性,并在三个数据集上验证其有效性。
2025-04-03 cs.AI cs.IR
KERAG_R: Knowledge-Enhanced Retrieval-Augmented Generation for Recommendation
针对LLM推荐缺乏领域知识及知识图谱噪声问题,提出KERAG_R模型,通过GraphRAG和GAT选择相关三元组增强LLM,在三个数据集上显著优于十种基线方法。
2025-07-08 cs.IR