REG4Rec: Reasoning-Enhanced Generative Model for Large-Scale Recommendation Systems
Alibaba Group(阿里巴巴集团);Wuhan University(武汉大学)
REG4Rec通过构建动态语义推理路径和自我反思机制,提升大规模推荐系统的推荐质量和可靠性。
2026-02-09 cs.IR
Bridging Search and Recommendation through Latent Cross Reasoning
针对搜索历史噪声影响推荐的问题,提出潜在交叉推理框架,先编码全局兴趣再迭代推理搜索行为,结合对比学习与强化学习,在公开基准上持续超越强基线。
2025-08-06 cs.IR
Parallel Latent Reasoning for Sequential Recommendation
GSAI, Renmin University of China(中国人民大学智能计算研究院);Alibaba Group(阿里巴巴集团)
并行潜在推理通过多轨迹并行计算提升序列推荐的推理能力与效率
2026-01-06 cs.IR
EvoReason: Self-Evolving Reasoning Primitive-Guided On-Policy Distillation for Latent Reasoning in Generative Recommendation
Kuaishou Technology(快手科技);Shenzhen University(深圳大学)
针对生成式推荐中潜在推理的原始CoT监督效果不佳问题,提出自演化框架EvoReason,通过推理原语引导的在线策略蒸馏实现显式推理监督与学生潜在推理空间的自适应对齐,提升推理迁移效果。
2026-08-03 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
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
MGFRec: Towards Reinforced Reasoning Recommendation with Multiple Groundings and Feedback
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学);Kuaishou Inc.(快手科技)
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
OneRec-Think: In-Text Reasoning for Generative Recommendation
Kuaishou Inc.(快手)
针对现有生成式推荐模型缺乏显式可控推理的问题,提出集成对话、推理与个性化推荐的OneRec-Think框架,通过物品对齐、推理激活和增强模块提升性能,在公共基准达SOTA且在快手部署使APP停留时间提升0.159%。
2025-11-11 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
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
Neural-Symbolic Reasoning over Knowledge Graph for Multi-stage Explainable Recommendation
推荐系统的最新研究已经将外部知识图谱视为有价值的信息来源,不仅可以产生更好的推荐,还可以解释选择推荐项目的原因。基于规则的符号化方法在知识图谱上提供了透明的推理过程,但缺乏对未知示例的泛化能力,而深度学习模型增强了强大的特征表示能力,但难以解释。此外,由于寻路的搜索空间巨大,在大规模知识图谱上的直接推理可能是昂贵的。我们通过一种新的粗到细的神经符号推理方法,称为NSER的方法来解决这个问题。首先生成粗粒度的解释以捕获抽象的用户行为模式,然后生成细粒度的解释,并伴随显式的推理路径和从知识图谱中推断出的推荐。我们在四个真实世界的数据集上进行了广泛的实验,并观察到与最先进的方法相比,推荐性能的大幅提高,以及不同粒度的更多样化的解释。
2020-07-26 cs.IR
SelfDR: Self-Distillation from Reasoning for LLM-Based Recommendation
Tsinghua University(清华大学);Quan Cheng Laboratory(量子计算实验室);DCST, Tsinghua University(清华大学计算机科学与技术系);Meituan(美团)
该研究针对基于LLM的推荐中推理轨迹生成成本高的问题,提出SelfDR框架,通过同一LLM的自蒸馏提升推荐效果与效率,在三个公开数据集上验证了其有效性。
2026-09-04 cs.IR
LARES: Latent Reasoning for Sequential Recommendation
LARES提出一种通过深度循环潜在推理增强序列推荐模型表示能力的框架,结合自监督预训练与强化后训练,在不增加参数复杂度的情况下提升推荐性能,并可与现有先进模型兼容。
2025-06-04 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
Generative Reasoning Recommendation via LLMs
Zhejiang University(浙江大学);Shanghai Jiao Tong University(上海交通大学);Huawei Noah's Ark Lab(华为诺亚方舟实验室)
本研究提出GREAM框架,通过协同语义对齐、推理课程激活和稀疏正则化组策略优化,使大语言模型原生支持生成式推理推荐,实现统一理解-推理-预测,并在三个数据集上超越强基线。
2025-10-23 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
RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation
University of Glasgow(格拉斯哥大学);Ohio State University(俄亥俄州立大学);Amazon(亚马逊);Telefónica Scientific Research(西班牙电信科学研究);Carnegie Mellon University(卡内基梅隆大学);National University of Singapore(新加坡国立大学)
研究针对序列推荐中推理过程构建问题,提出无强化学习框架RecRec,通过解耦推理与预测克服单状态瓶颈,由上下文压缩器和递归推理器组成,分两阶段训练,在多数据集上优于现有方法,揭示推理状态结构可进一步探索。
2026-07-15 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
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
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
Attention Is Not the Only Choice: Counterfactual Reasoning for Path-Based Explainable Recommendation
针对基于路径推荐中注意力权重不稳定且不符直觉的问题,提出用反事实推理学习路径可解释权重,并设计两种算法及定性定量评估方案,实验验证其有效可靠。
2024-03-03 cs.IR
The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness
Spotify
本研究通过2×2因子实验对比语义ID与自然语言标题的推理轨迹质量,发现提升描述性推理轨迹质量无法持续改善传统离线推荐效果。
2026-08-25 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
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
DTRec: Learning Dynamic Reasoning Trajectories for Sequential Recommendation
The Chinese University of Hong Kong(香港中文大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Technology Sydney(悉尼科技大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校);Jilin University(吉林大学)
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
Intuition-Guided Latent Reasoning for LLM-Based Recommendation
State Key Laboratory of Complex & Critical Software Environment, Beihang University(北京航空航天大学复杂及关键软件环境国家重点实验室);University of Science and Technology of China(中国科学技术大学);The Chinese University of Hong Kong(香港中文大学);National University of Singapore(新加坡国立大学);Meta AI
提出IntuRec框架,通过提取用户历史生成候选集作为直觉,注入偏好对齐的直觉嵌入初始化潜在推理起点,提升LLM推荐推理准确性。
2026-06-29 cs.IR
ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Test-Time Computation for Sequential Recommendation
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University(多媒体可信感知与高效计算教育部重点实验室,厦门大学);Shopee Pte. Ltd.(虾皮有限公司);School of Informatics, Xiamen University(厦门大学信息学院)
ManCAR通过流形约束和自适应测试时间计算,提升序列推荐的推理精度和稳定性。
2026-02-23 cs.IR
Intent-Guided Reasoning for Sequential Recommendation
The Chinese University of Hong Kong(香港中文大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出IGR-SR框架,通过提取高层意图来提升序列推荐的推理稳定性与鲁棒性,实验表明其在噪声环境下表现优于现有方法。
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
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
LLM is Knowledge Graph Reasoner: LLM's Intuition-aware Knowledge Graph Reasoning for Cold-start Sequential Recommendation
针对冷启动序列推荐中时间信息缺失和可扩展性问题,提出LIKR模型,将LLM作为知识图谱推理器,通过强化学习整合LLM直觉与图谱嵌入,提升冷启动推荐性能。
2024-12-17 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
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
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
Where Reasoning Matters: Rethinking Latent Reasoning in Semantic ID-based Generative Recommendation
Key Laboratory of Dependable Service Computing in Cyber Physical Society (Chongqing University), Ministry of Education, China(教育部计算机与网络空间安全依赖服务计算重点实验室(重庆大学));School of Big Data and Software Engineering, Chongqing University(重庆大学大数据与软件工程学院);Griffith University(格里菲斯大学)
研究基于语义ID的生成式推荐中潜在推理的步骤分配问题,通过位置信息增益提出IBA框架,将潜在细化步骤视为有限资源,学习在语义ID位置间合理分配,实验证明该框架能提升推荐准确性并优化计算权衡。
2026-07-15 cs.IR
MLLMRec-R1: Incentivizing Reasoning Capability in Large Language Models for Multimodal Sequential Recommendation
Hefei University of Technology(合肥工业大学);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);China Academy of Electronic and Information Technology(中国电子信息产业集团有限公司)
MLLMRec-R1通过离线文本化视觉信号和混合粒度数据增强策略,提升多模态序列推荐中基于GRPO的推理效率与稳定性。
2026-03-06 cs.IR
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
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
LASAR: Latent Adaptive Semantic Aligned Reasoning for Generative Recommendation
School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);Baidu(百度)
LASAR通过自适应语义对齐推理提升生成推荐性能,解决潜在推理与语义对齐的挑战,实现更高效的推荐质量与速度。
2026-07-31 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
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
R4ec: A Reasoning, Reflection, and Refinement Framework for Recommendation Systems
本文提出$R^{4}$ec框架,通过actor模型推理和reflection模型反馈的迭代反思与精炼过程,将LLM推荐系统提升至System-2思维,在公开数据集和在线平台(收入增长2.2%)上验证了其有效性。
2025-08-11 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
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
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
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
TrackRec: Iterative Alternating Feedback with Chain-of-Thought via Preference Alignment for Recommendation
TrackRec框架通过生成器与验证器之间的迭代交替反馈和偏好对齐,提升大语言模型在推荐系统中的思维链推理质量,并在数亿用户广告平台上验证了其超越现有方法的有效性。
2025-08-21 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
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
KUAISHOU Explorer LLM-Rec Challenge 2026: Reasoning Generative Recommendation
针对生成式推荐中引入思维链推理效果不稳定的问题,提出OneReason模型,通过语义对齐、结构化模板监督和强化学习提升推理效果,并举办挑战赛推动研究。
2026-10-01 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
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
Reinforcement Knowledge Graph Reasoning for Explainable Recommendation
Rutgers University(罗格斯大学)
个性化推荐的最新进展激发了人们对利用知识图谱提供的丰富结构化信息的极大兴趣。与大多数现有的方法,只专注于利用知识图谱更准确的建议,我们进行明确的推理与决策的知识,使建议产生和支持的解释因果推理过程。为此,我们提出了一种称为策略引导路径推理(PGPR)的方法,该方法通过在知识图谱中提供实际路径来耦合推荐和可解释性。我们的贡献包括四个方面。我们首先强调的意义,将知识图谱的建议,正式定义和解释的推理过程。其次,我们提出了一个强化学习(RL)的方法,具有创新的软奖励策略,用户条件动作修剪和多跳评分函数。第三,我们设计了一个策略引导的图搜索算法,以有效地和有效地采样推理路径的推荐。最后,我们在几个大规模的真实世界的基准数据集上广泛地评估了我们的方法,与最先进的方法相比,获得了有利的结果。
2019-06-12 cs.IR cs.LG
AgenticRec: A Recommendation-Oriented Agentic Framework with Progressive Tool-Integrated Reasoning Optimization
Xiamen University(厦门大学)
提出AgenticRec框架,将推荐建模为工具集成推理过程,并设计两阶段训练范式,通过隐式反馈激活和渐进偏好细化提升推荐准确性。
2026-06-16 cs.AI cs.IR