Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚实验室);Beijing University of Posts and Telecommunications(北京邮电大学)
针对LLM驱动的交互式推荐智能体难以处理复杂用户意图的问题,提出基于思维模式蒸馏的多智能体系统TAIRA,通过提取专家经验增强管理智能体的规划能力,在多数据集实验中显著提升了推荐性能并展现出强大的泛化优势。
2025-06-30 cs.AI cs.CL cs.IR
Retrieval-Augmented Conversational Recommendation with Prompt-based Semi-Structured Natural Language State Tracking
University of Waterloo(滑铁卢大学);University of Toronto(多伦多大学)
本文提出RA-Rec,一个基于LLM的检索增强对话状态跟踪系统,通过半结构化自然语言状态跟踪和常识推理解决复杂用户偏好理解与物品检索问题。
2024-05-25 cs.AI cs.CL
Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System
Fudan University(复旦大学);Tongji University(同济大学);University of California, Davis(加州大学戴维斯分校)
本文提出Chat-Rec范式,通过将用户画像和历史交互转化为提示词来增强LLMs构建对话式推荐系统,有效提升了交互性、可解释性、跨领域推荐与冷启动处理能力,并改善了top-k推荐和零样本评分预测表现。
2023-04-04 cs.CL cs.IR cs.LG
TCRA-LLM: Token Compression Retrieval Augmented Large Language Model for Inference Cost Reduction
Meetyou AI Lab(美柚人工智能实验室);Xiamen Key Laboratory of Women’s Internet Health Management(厦门市女性互联网健康管理重点实验室);Osaka University(大阪大学);Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局)
提出TCRA-LLM词元压缩方案,通过摘要压缩和语义压缩两种方法,有效降低检索增强LLMs的输入词元大小和推理成本,在Food-Recommendation DB数据集上实现65%的词元缩减且准确率提升0.3%,或20%缩减仅损失1.6%准确率。
2023-10-25 cs.CL cs.IR
Crash Narrative-Guided Countermeasure Recommendation Using Large Language Models: A Retrieval-Augmented Generation Framework for Intersection Safety
University of Central Florida(中佛罗里达大学)
提出一种碰撞叙事引导的检索增强生成框架,利用大语言模型将非结构化碰撞叙事转化为交叉口安全对策建议,在佛罗里达州数据上实现0.82的F1分数,验证了其可解释性和可扩展性。
2026-09-16 cs.CL cs.LG
LLM-Rec: Personalized Recommendation via Prompting Large Language Models
University of Rochester(罗切斯特大学);UCLA(加利福尼亚大学洛杉矶分校);Meta AI
本文提出LLM-Rec方法,通过四种文本增强提示策略利用大语言模型改进个性化文本推荐,实验表明即使简单MLP模型也能取得与复杂方法相当或更优的效果。
2024-04-02 cs.AI cs.CL cs.IR
LLM4Rec: Large Language Models for Multimodal Generative Recommendation with Causal Debiasing
Department of Software \& Microelectronics Peking University Beijing, China;Department of Software \& Microelectronics Peking University Beijing, China hangli\;Department of Software \& Microelectronics Peking University Beijing, China zehua\;Department of Software \& Microelectronics Peking University Beijing, China xiaofan\;Economic Law School China University of Political Science;Peking University Changsha, China
针对生成式推荐在多模态处理、去偏及透明度问题,提出含五项创新的LLM4Rec框架,以大语言模型为骨干集成多专用模块,在三个基准数据集上实现准确率、公平性、多样性提升且保持计算效率。
2025-10-02 cs.AI cs.CL cs.IR
Pearl: A Review-driven Persona-Knowledge Grounded Conversational Recommendation Dataset
Yonsei University(延世大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对现有对话推荐数据集缺乏用户偏好和推荐解释的问题,本文提出基于评论驱动、角色与知识增强的大语言模型模拟器合成的PEARL数据集,包含超57k对话,实验证明其推荐更具相关性。
2024-06-08 cs.CL
Read, Diagnose and Chat: Towards Explainable and Interactive LLMs-Augmented Depression Detection in Social Media
Hefei University of Technology(合肥工业大学);University of Science and Technology of China(中国科学技术大学);East China Normal University(华东师范大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一种可解释且交互式的大语言模型抑郁检测系统,提供诊断、证据及个性化建议,优于传统方法。
2023-05-09 cs.CL
News Recommendation with Category Description by a Large Language Model
Waseda University(早稻田大学)
本文提出利用大语言模型自动生成新闻类别描述,并将其融入推荐模型,在MIND数据集上使AUC最多提升5.8%,验证了该方法的有效性。
2024-05-13 cs.AI cs.CL cs.IR
KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models
Rensselaer Polytechnic Institute(拉特格斯理工学院)
本研究提出融合食品知识图谱与大语言模型的KERL系统,可实现个性化食谱推荐、烹饪步骤生成及营养分析,并构建基准数据集验证其性能优于现有方法。
2025-05-20 cs.AI cs.CL cs.CV
Reinforced Preference Optimization for Reasoning-Augmented Recommendations
City University of Hong Kong(香港城市大学);Kuaishou Technology(快手科技)
本文提出RPORec框架,通过统一LLM的推理能力与专用推荐头,提升推荐系统的精确性,实验表明其在公开基准和大规模部署中均优于现有方法。
2026-05-21 cs.IR
Retrieval Augmented Generation-Based Incident Resolution Recommendation System for IT Support
IBM Research(IBM研究院)
针对IT支持中模型大小与领域覆盖限制,提出结合RAG、仅编码器分类模型和生成式LLM查询生成的事件解决推荐系统,并详述架构、开发与部署。
2024-09-06 cs.AI cs.CL cs.IR
Graph Learning Augmented Heterogeneous Graph Neural Network for Social Recommendation
基于社会网络的社会化推荐在提高推荐系统性能方面取得了巨大的成功。由于社交网络(用户-用户关系)和用户-项目交互都自然地表示为图结构数据,因此图神经网络(GNN)已被广泛应用于社交推荐。在这项工作中,我们提出了一个端到端的异构全局图学习框架,即图学习增强异构图神经网络(GL-HGNN)的社会推荐。GL-HGNN的目标是学习一个异构的全局图,在一个统一的角度,充分利用用户之间的关系,用户之间的相互作用和项目之间的相似性。为此,我们设计了一个图学习器(GL)的方法来学习和优化用户-用户和项目-项目连接分别。此外,我们采用了异构图神经网络(HGNN)从我们学习的异构全局图捕捉高阶复杂的语义关系。为了提高图学习的计算量,我们进一步提出了基于锚点的图学习器(AGL),以降低计算复杂性。在四个真实数据集上的实验证明了该模型的有效性。
2021-09-24 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
ARMED: Adaptive Retrieval-Augmented Medication Recommendation
UX Factory, Inc.(UX工厂公司)
本研究针对现有药物推荐系统固定检索流程的缺陷,提出自适应临床RAG框架ARMED,通过动态扩展检索等机制,在MIMIC-IV数据集上优于静态基线,且无需外部API或特定任务微调。
2026-10-14 cs.AI cs.CL cs.IR
ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation
Walmart Global Tech(沃尔玛全球科技)
本文提出ARAG框架,通过将多智能体协作机制集成到RAG流程中,利用用户理解、自然语言推理、上下文总结和项目排序四个智能体捕捉动态用户偏好,显著提升了个性化推荐性能。
2025-08-11 cs.AI cs.CL 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
RaSeRec: Retrieval-Augmented Sequential Recommendation
针对序列推荐中偏好漂移和隐式记忆的问题,提出检索增强的RaSeRec框架,通过动态记忆库、协作预训练和检索增强微调提升性能,在三个数据集上验证了优越性。
2025-02-13 cs.IR
Denoised Self-Augmented Learning for Social Recommendation
本文提出去噪自增强学习范式DSL,通过保留有用社交关系并利用自适应语义对齐实现个性化跨视图知识迁移,以缓解社交推荐中的噪声问题,并在多个基准上取得优于现有方法的性能。
2023-11-01 cs.IR
Retrieval Augmented Cross-Modal Tag Recommendation in Software Q&A Sites
提出检索增强跨模态标签推荐模型,通过外部知识检索增强表示,并利用跨模态注意力与门控融合,在三个真实数据集上超越现有方法。
2024-02-06 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
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
Multi-Auxiliary Augmented Collaborative Variational Auto-encoder for Tag Recommendation
向项目推荐适当的标签可以促进内容组织、检索、消费和其他应用,其中混合标签推荐系统已经被用于集成协作信息和内容信息以用于更好的推荐。本文提出了一种多辅助增广协作变分自动编码器(MA-CVAE)用于标签推荐,它将项目协作信息和项目多辅助信息相耦合,内容和社交图谱,通过定义一个生成过程。具体而言,该模型使用变分自编码器(VAE)从不同的项目辅助信息中学习深度潜在嵌入,该变分自编码器通过引入由深度神经网络参数化的潜在变量来形成每个辅助信息的生成分布。此外,为了推荐新项目的标签,项目多辅助潜在嵌入被用作通过项目解码器预测每个标签的推荐概率的代理,其中重建损失被添加在训练阶段中,以通过不同的辅助嵌入来限制反馈预测的生成。此外,一个归纳变分图自动编码器的设计,新的项目节点可以推断在测试阶段,使项目社会嵌入可以利用新的项目。在MovieLens和Citeulike数据集上的实验证明了该方法的有效性。
2022-04-20 cs.IR
Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation
提出REXHA方法,通过层次聚合的配置文件模块和高效检索模块,解决LLM推荐解释中的配置文件偏差和高检索开销问题,提升解释质量和检索效率。
2025-07-12 cs.IR
Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation
提出可学习序列增强器LACLRec,通过自监督增强生成高质量序列并设计三元组对比损失,在三个真实数据集上显著提升序列推荐准确性。
2025-03-26 cs.IR
Task Aligned Meta-learning based Augmented Graph for Cold-Start Recommendation
本文提出TMAG方法,通过任务对齐构造器聚类相似用户并划分元学习任务,结合增强图神经网络缓解数据稀疏并捕获高阶交互,在多个冷启动推荐场景中取得优于现有方法的性能。
2024-05-04 cs.IR
Cascading: Association Augmented Sequential Recommendation
近年来,基于用户行为的推荐在许多应用场景中显示出良好的效果。一般来说,现实世界中的顺序用户行为通常反映了顺序影响和关联关系的混合。然而,现有的顺序推荐方法主要集中在顺序关系,而忽略了关联关系。在本文中,我们提出了一个统一的方法,结合项目关联和顺序关系的顺序推荐。具体来说,我们编码的项目关联关系的项目共生图和挖掘它通过图嵌入的GCN。同时,我们通过一种广泛使用的基于RNN的顺序推荐方法GRU4Rec来建模顺序关系。这两个部分连接成一个级联式的端到端网络,这保证了项目关联和顺序关系的表示同时学习,使学习过程保持低复杂度。我们在三个广泛使用的真实世界数据集上进行了大量的实验:淘宝,亚马逊即时视频和亚马逊手机及配件。综合结果表明,该方法优于几个国家的最先进的方法。此外,还提供了一个定性的分析,以鼓励更好地了解在顺序推荐的关联关系,并说明性能增益正是从项目关联。
2019-10-17 cs.IR
MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation
Huazhong University of Science and Technology(华中科技大学)
MMP-Refer通过多模态路径检索增强LLM,提升推荐系统的可解释性,采用联合残差编码获取多模态嵌入,并设计启发式搜索算法获取检索路径,通过轻量级协作适配器映射图编码至LLM语义空间,提升交互信息理解。
2026-04-04 cs.IR
RIGHT: Retrieval-augmented Generation for Mainstream Hashtag Recommendation
University of Chinese Academy of Sciences(中国科学院大学)
针对主流话题标签推荐中检索法难适配新内容、生成法难识别主流标签的问题,提出含检索、选择、生成三组件的RIGHT框架,性能超现有最优基线且可提升ChatGPT表现10%以上。
2023-12-16 cs.AI cs.CL cs.IR
Data-Augmented Counterfactual Learning for Bundle Recommendation
Bundle Recommendation(BR)旨在推荐在线内容或电子商务平台上的捆绑项目,例如音乐平台上的歌单或阅读网站上的书单。一些基于图的模型在BR任务上已经达到了最先进的性能。但它们的性能仍然是次优的,因为数据稀疏问题在实际的捆绑推荐场景中往往更严重,这限制了基于图的模型进行更充分的学习。在本文中,我们提出了一种新的图学习范式称为反事实学习捆绑推荐(CLBR),以减轻数据稀疏性问题的影响,提高捆绑推荐。我们的范例包括两个主要部分:反事实数据增强和反事实约束。我们范式的主要思想在于回答反事实问题:“如果用户的交互历史发生变化,他/她会与什么交互?““如果物品与物品的关联关系发生变化,用户将与什么进行交互?“在反事实数据增强中,我们设计了一个启发式采样器来为基于图的模型生成反事实图视图,它比随机采样器具有更好的噪声控制。我们进一步提出了反事实损失来约束模型学习,以减轻增强数据中残余噪声的影响,并实现更充分的模型优化。进一步的理论分析证明了设计的合理性。在两个真实数据集上进行了大量的实验,以验证该范式的有效性。
2022-12-21 cs.IR
Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations
针对冷启动用户推荐问题,提出关键词驱动的检索增强大语言模型框架KALM4Rec,通过关键词检索候选和LLM重排序,在Yelp数据集上显著提升推荐质量。
2025-04-27 cs.IR
Memory Augmented Multi-Instance Contrastive Predictive Coding for Sequential Recommendation
顺序推荐的目的是根据用户历史记录的顺序模式向用户推荐产品、歌曲和地点等项目。现有的序列推荐模型大多将下一个项目预测任务作为训练信号。不幸的是,这些方法存在两个基本挑战:(1)长期偏好难以捕获,以及(2)监督信号太稀疏,无法有效地训练模型。在本文中,我们提出了一种新的顺序推荐框架,以克服这些挑战的基础上内存增强的多实例对比预测编码方案,表示为MMInfoRec。基本的对比预测编码(CPC)用作序列和项目的编码器。存储器模块被设计为增强CPC中的自回归预测,以实现编码偏好的灵活且通用的表示,这可以提高捕获长期偏好的能力。为了有效地训练MMInfoRec模型,提出了一种新的多实例噪声对比估计(MINCE)损失,使用多个正样本,它提供了一个小批量内的样本的有效利用。所提出的MMInfoRec框架属于对比学习风格,然而,在该风格内,考虑到其对比训练任务与目标推荐任务很好地对齐,不需要进一步的微调步骤。通过对四个基准数据集的广泛实验,MMInfoRec可以超越最先进的基线。
2021-09-13 cs.IR
RAGR: Review-Augmented Generative Recommendation
Dalian University of Technology(大连理工大学);City University of Hong Kong(香港城市大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出RAGR,一种将评论反馈直接融入生成用户序列的新型生成推荐框架,通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略,提升推荐性能。
2026-06-16 cs.IR
Garment Recommendation with Memory Augmented Neural Networks
University of Florence(佛罗伦萨大学)
时尚在社会中发挥着举足轻重的作用。适当地组合服装对于人们传达他们的个性和风格至关重要。此外,不同的活动要求服装要彻底选择,以遵守潜在的社会服装规则。因此,适当地组合服装可能不是微不足道的。时尚行业已经将其转化为一个巨大的收入来源,依靠复杂的推荐系统为客户检索和推荐合适的服装。为了执行更好的推荐,可以考虑用户偏好或购买历史来执行个性化建议。在本文中,我们提出了一个服装推荐系统对不同的服装项目,即上衣和下装,利用记忆增强神经网络(MANN)。通过训练存储器写入控制器,我们能够存储样本的非冗余子集,然后将其用于检索合适底部的排名列表以补充给定顶部。特别是,我们的目标是检索各种形式,其中某一服装可以结合起来。为了改进我们的建议,我们通过矩阵分解包含用户偏好。我们在IQON 3000上进行了实验,这是一个从在线时尚社区收集的数据集,报告了最先进的结果。
2020-12-11 cs.CV cs.IR
Algorithmic Harms Associated with Generative Model-Augmented Recommendation Systems
本研究扩展了算法危害分类法,分析生成模型增强推荐系统可能引发的新型及内生危害,并提供因果分析以支持检测与缓解。
2026-09-29 cs.AI cs.CL cs.IR
MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
ACM
MATRAG通过多智能体协作与知识图谱增强检索,提升推荐系统的透明性和可解释性,实验表明其在准确率和可信度上均优于现有方法。
2026-02-11 cs.AI 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
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
Lessons from A Large Language Model-based Outdoor Trail Recommendation Chatbot with Retrieval Augmented Generation
University of Connecticut(康涅狄格大学);School of Computing(计算学院)
本文介绍了基于LLM与RAG技术开发的户外步道推荐聊天机器人Judy,通过美国康涅狄格州步道案例研究,验证了其在提供准确、高效且可用的个性化步道推荐方面的有效性。
2025-07-27 cs.AI cs.IR
Memory Augmented Graph Neural Networks for Sequential Recommendation
在许多推荐系统中,用户-项目交互的时间顺序可以揭示用户行为的时间演化和顺序。用户将与之交互的项目可能取决于过去访问的项目。然而,用户和项目的大量增加使得顺序推荐系统仍然面临着以下挑战:(1)难以建模用户的短期兴趣;(2)难以捕捉用户的长期兴趣;(3)难以有效地建模项目的共现模式。为了应对这些挑战,我们提出了一个记忆增强的图神经网络(MA-GNN),以捕捉长期和短期的用户兴趣。具体来说,我们应用图神经网络来建模短期内的项目上下文信息,并利用共享记忆网络来捕获项目之间的长期依赖关系。除了对用户兴趣进行建模之外,我们还采用了一个双线性函数来捕获相关项的共现模式。我们在五个真实世界的数据集上广泛评估了我们的模型,与几种最先进的方法进行了比较,并使用了各种性能指标。实验结果证明了该模型在Top-K顺序推荐任务中的有效性。
2019-12-26 cs.IR
Improving Sequential Recommendation with Attribute-augmented Graph Neural Networks
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);MX Media Co., Ltd(MX媒体有限公司)
许多实用的推荐系统仅仅通过挖掘用户与项目的交互来为不同的用户提供项目推荐,而完全忽略了用户交互项目的丰富属性信息。本文提出了一种属性扩充的图神经网络模型Murzim。Murzim将由用户-项目交互序列和相应的项目属性序列构建的图作为输入。通过将GNN与节点聚合和注意力网络相结合,Murzim可以捕获用户偏好模式,为用户-项目交互序列生成嵌入,然后通过下一个项目预测生成推荐。我们在多个数据集上进行了广泛的实验。实验结果表明,Murzim在召回率和MRR方面优于其他几种推荐方法,说明Murzim可以利用项目属性信息产生更好的推荐结果。目前,Murzim已经部署在印度最大的流媒体平台之一MX Player中,正在为数万名用户推荐视频。
2021-03-10 cs.AI cs.IR
Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation
University of Electronic Science and Technology of China(电子科技大学)
DiffSBR通过基于扩散的潜在邻居生成方法,提升基于会话的推荐性能。
2026-01-07 cs.IR
A Vlogger-augmented Graph Neural Network Model for Micro-video Recommendation
针对现有微视频推荐忽略博主信息的问题,提出VA-GNN模型,通过构建用户-视频-博主三方图并采用跨视图对比学习,自适应融合视频与博主偏好,实验证明其优于现有GNN推荐模型。
2024-05-28 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
CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation
The Hong Kong Polytechnic University(香港理工大学);University of Electronic Science and Technology of China(电子科技大学);Singapore Management University(新加坡管理大学);Tongji University(同济大学);National University of Singapore(新加坡国立大学)
提出CFALR框架,结合协同过滤与大语言模型,通过自然语言描述用户-套装交互并利用CF增强嵌入,解决个性化套装推荐中的数据稀疏和组合空间问题,在Polyvore和IQON数据集上优于传统方法。
2026-06-12 cs.IR cs.MM
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
PEACE: Prototype lEarning Augmented transferable framework for Cross-domain rEcommendation
针对跨域推荐的域间差异与负迁移问题,提出基于多兴趣实体预训练、对比原型学习及原型增强注意力的PEACE框架,以轻量部署实现跨域推荐性能提升。
2023-12-18 cs.IR
TOOL4POI: A Tool-Augmented LLM Framework for Next POI Recommendation
Tool4POI通过外部检索和推理提升POI推荐性能,无需微调即可兼容现成LLM,实现对OOH场景的显著改进。
2025-12-08 cs.IR
ViLLA-MMBench: A Unified Benchmark Suite for LLM-Augmented Multimodal Movie Recommendation
ViLLA-MMBench是一个基于MovieLens和MMTF-14K的LLM增强多模态电影推荐基准,通过LLM丰富文本并融合音视频特征,提升冷启动和覆盖率,支持多种融合与骨干模型,实现可复现评估。
2025-08-06 cs.IR
R3-REC: Reasoning-Driven Recommendation via Retrieval-Augmented LLMs over Multi-Granular Interest Signals
Sydney Smart Technology College, Northeastern University, China(悉尼智能技术学院,东北大学,中国)
本文针对序列推荐中的证据不足和动态多维意图建模问题,提出R3-REC框架,通过多级用户意图推理、物品语义提取等模块提升推荐效果,实验显示在多个数据集上优于基线模型。
2026-03-14 cs.AI cs.IR
RUEL: Retrieval-Augmented User Representation with Edge Browser Logs for Sequential Recommendation
本文提出RUEL,一种利用Edge浏览器匿名日志进行检索增强的序列推荐方法,通过对比学习和注意力选择器筛选相关浏览序列,在多个数据集上显著优于现有基线。
2023-09-19 cs.IR
CCL4Rec: Contrast over Contrastive Learning for Micro-video Recommendation
微视频推荐系统受到用户行为中普遍存在的噪声的影响,这可能使学习到的用户表示无差别,并导致琐碎的推荐(例如,流行的项目),甚至是奇怪的,远远超出了用户的兴趣。对比学习是一种新兴的技术,用于学习具有随机数据增强的区分表示。然而,现有的对比学习框架由于忽略了用户行为中的噪声,对所有的增强样本都一视同仁,不足以在推荐中学习出有区别的用户表征。为了弥补这一研究空白,我们提出了用于训练推荐模型的对比学习框架,名为CCL 4 Rec,它通过进一步对比增强的积极/消极与自适应拉/推强度,即,对比(vanilla)对比学习。为了适应这些对比,我们设计了硬度感知增强,跟踪被替换的查询用户的行为的重要性和替代品的相关性,从而确定增强的积极/消极的质量。硬度感知增强还允许可控的对比学习,从而导致性能增益和鲁棒训练。通过这种方式,CCL 4 Rec可以捕获给定用户的历史行为的细微差别,从而明确地屏蔽了学习到的用户表示,使其免受噪声行为的影响。我们在两个微视频推荐基准上进行了大量的实验,实验结果表明,CCL 4 Rec在模型参数少得多的情况下,可以达到与现有最先进方法相当的性能,并将训练/推理速度提高了几个数量级。
2022-08-17 cs.IR
Retrieval Augmented Conversational Recommendation with Reinforcement Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Google DeepMind(谷歌DeepMind);UC San Diego(加州大学圣地亚哥分校)
本文提出RAR框架,通过动态结合检索与生成提升推荐性能与事实性,构建大规模电影语料库并引入强化学习方法优化候选集。
2026-04-13 cs.IR