Synergistic Integration and Discrepancy Resolution of Contextualized
  Knowledge for Personalized Recommendation

Jinxin Hu

论文状态：已完成

Synergistic Integration and Discrepancy Resolution of Contextualized Knowledge for Personalized Recommendation

发表：2025/10/16

原文链接 PDF 下载

价格：0.10

已有 19 人读过

本分析由 AI 生成，可能不完全准确，请以原文为准。

TL;DR 精炼摘要

本文提出CoCo框架，通过自适应知识融合与矛盾消解双机制，动态构建用户专属情境知识嵌入，实现语义与行为特征的深度隐空间整合。实验证明其在多个数据集及生产环境广告系统中显著优于现有方法，提升推荐准确率和销售效果。

摘要

The integration of large language models (LLMs) into recommendation systems has revealed promising potential through their capacity to extract world knowledge for enhanced reasoning capabilities. However, current methodologies that adopt static schema-based prompting mechanisms encounter significant limitations: (1) they employ universal template structures that neglect the multi-faceted nature of user preference diversity; (2) they implement superficial alignment between semantic knowledge representations and behavioral feature spaces without achieving comprehensive latent space integration. To address these challenges, we introduce CoCo, an end-to-end framework that dynamically constructs user-specific contextual knowledge embeddings through a dual-mechanism approach. Our method realizes profound integration of semantic and behavioral latent dimensions via adaptive knowledge fusion and contradiction resolution modules. Experimental evaluations across diverse benchmark datasets and an enterprise-level e-commerce platform demonstrate CoCo's superiority, achieving a maximum 8.58% improvement over seven cutting-edge methods in recommendation accuracy. The framework's deployment on a production advertising system resulted in a 1.91% sales growth, validating its practical effectiveness. With its modular design and model-agnostic architecture, CoCo provides a versatile solution for next-generation recommendation systems requiring both knowledge-enhanced reasoning and personalized adaptation.

思维导图

论文精读

中文精读约 18 分钟读完 · 11,959 字

1. 论文基本信息 (Bibliographic Information)

标题 (Title): Synergistic Integration and Discrepancy Resolution of Contextualized Knowledge for Personalized Recommendation (为个性化推荐协同整合与消解情境化知识的差异)
作者 (Authors): Lingyu Mu, Hao Deng, Haibo Xing, Kaican Lin, Zhitong Zhu, Yu Zhang, Xiaoyi Zeng, Zhengxiao Liu, Zheng Lin, and Jinxin Hu.
隶属机构 (Affiliations): 作者来自中国科学院信息工程研究所 (Institute of Information Engineering, Chinese Academy of Sciences) 和阿里巴巴国际数字商业集团 (Alibaba International Digital Commerce Group)。这表明该研究是产学研紧密结合的成果。
发表期刊/会议 (Journal/Conference): 论文格式遵循 ACM 会议模板，但发表年份为 2026，且 DOI 和会议名称为占位符 XXXXXXX，表明这是一篇预印本 (Preprint) 或正在投稿中的论文。
发表年份 (Publication Year): 2026 (根据论文模板占位符)
摘要 (Abstract): 论文摘要指出，现有基于大语言模型 (LLM) 的推荐系统方法存在两大局限：(1) 静态的提示模板 (prompt template) 无法适应用户偏好的多样性；(2) 语义知识与行为特征的融合停留在表面，未能实现深层空间的整合。为解决这些问题，论文提出了一个名为 CoCo 的端到端框架。该框架通过双重机制（自适应知识融合与矛盾消解）动态构建用户专属的情境知识嵌入，实现了语义与行为隐空间的深度融合。实验表明，CoCo 在多个数据集上优于七种前沿方法，并在生产环境的广告系统中取得了 1.91% 的销售增长。
原文链接 (Source Link):
- ArXiv 链接: https://arxiv.org/abs/2510.14257
- PDF 链接: https://arxiv.org/pdf/2510.14257v1.pdf
- 发布状态: 预印本 (Preprint)。ArXiv 是一个发布未经同行评审的学术论文的平台。

2. 整体概括 (Executive Summary)

研究背景与动机 (Background & Motivation - Why):
- 核心问题: 传统推荐系统 (Recommender Systems, RSs) 在处理数据稀疏，特别是冷启动 (cold-start) 和长尾问题 (long-tail distribution) 时面临巨大挑战。近年来，大语言模型 (Large Language Models, LLMs) 因其蕴含的世界知识 (world knowledge) 和强大的推理能力 (reasoning capabilities)，为解决这些问题提供了新思路。
- 现有研究的空白 (Gap): 当前将 LLM 融入推荐系统的方法，特别是基于“提示 (Prompt)”的两阶段融合范式，存在明显缺陷：
  1. 静态提示模板的局限性: 现有方法普遍采用固定的、普适性的提示模板来引导 LLM 生成知识。这种“一刀切”的方式忽略了用户兴趣的多维异质性 (multi-faceted nature of user preference diversity)。例如，有的用户偏好受性别影响大，有的则受年龄影响大，静态模板无法为不同用户动态生成最匹配的知识。
  2. 语义与行为空间的割裂: 现有方法将 LLM 视为一个静态的知识库，仅在最终输出层面对 LLM 生成的语义知识和推荐系统自身的行为特征进行简单的拼接或对齐，未能实现两个隐空间 (latent space) 的深度、一致性融合。这导致 LLM 生成的知识可能与用户的真实行为模式存在分布差异 (distributional divergence)，甚至引入噪声。
- 本文切入点: 针对上述问题，论文提出了两个核心研究问题 (Research Questions):
  1. 如何让 LLM 生成与用户行为模式强对齐的个性化语义知识？
  2. 如何在 LLM 的语义空间和推荐系统的行为空间之间建立有效的对齐？
核心贡献/主要发现 (Main Contribution/Findings - What):
- 提出了 CoCo 框架: 论文提出了一个名为 CoCo (Collaboration-Contradiction) 的端到端融合框架，旨在实现 LLM 与推荐系统的深度协同。
- 双阶段核心机制:
  1. 协作增强 (Collaboration Enhancement): 通过一种基于向量量化 (Vector Quantization, VQ) 的方法，为每个用户动态生成一组个性化的软提示 (soft prompts)，从而引导 LLM 产出与用户特性高度相关的语义知识。
  2. 矛盾消除 (Contradiction Elimination): 设计了一种自适应微调 (adaptive fine-tuning) 策略。该策略会动态评估 LLM 生成的知识对推荐任务是否有益。如果无益（即产生“矛盾”），则使用低秩自适应 (Low-Rank Adaptation, LoRA) 技术对 LLM 进行微调，从而逐步拉近其语义空间与推荐系统的行为空间。
- 模型无关的通用性: CoCo 框架设计为模型无关 (model-agnostic)，可以即插即用地集成到任何现有的推荐系统主干网络中，具有很高的实用性。
- 显著的性能提升: 实验证明，CoCo 在公共数据集和工业级数据集上均取得了超越当前最先进 (State-of-the-Art, SOTA) 方法的性能，并且在真实的线上广告系统中带来了可观的业务收益增长。

基础概念 (Foundational Concepts)

推荐系统 (Recommender System, RS): 一种信息过滤系统，旨在预测用户对物品的“评分”或“偏好”。其目标是解决信息过载问题，广泛应用于电商、流媒体等平台。
大语言模型 (Large Language Model, LLM): 在海量文本数据上进行预训练的深度学习模型，如 GPT、BERT 等。LLM 通过自监督学习，在模型参数中隐式地编码了大量关于世界的事实、常识和逻辑，展现出强大的自然语言理解、生成和推理能力。
冷启动 (Cold-Start): 推荐系统中的一个经典难题，指系统难以向新用户（没有历史行为数据）或为新物品（没有被交互过）做出准确推荐。
提示 (Prompt): 一段输入文本，用于引导或“提示”LLM 执行特定任务或生成特定类型的输出。在 LLM-RS 领域，提示通常被设计为结构化的模板，用于整合用户信息和物品信息。
向量量化 (Vector Quantization, VQ): 一种数据压缩技术，其核心思想是用一个离散的码本 (codebook) 中的码字 (codeword) 来近似表示一个连续的向量。在本文中，它被巧妙地用于从一个大的“软提示”候选中为每个用户选择最合适的子集。
低秩自适应 (Low-Rank Adaptation, LoRA): 一种参数高效微调 (Parameter-Efficient Fine-Tuning, PEFT) 技术。它通过在预训练模型的现有权重矩阵旁边增加两个低秩矩阵的乘积来进行模型微调。在微调过程中，原始模型参数保持冻结，只更新这两个低秩矩阵的参数。这使得微调过程非常高效，同时能保留 LLM 预训练时学到的通用知识。

前人工作 (Previous Works)

作者将基于 LLM 的推荐系统 (LLM-based RSs, LRSs) 的发展划分为几个阶段：

LLM 作为特征编码器: 早期的工作如 UniSRec 和 MoRec，使用 LLM（如 BERT）来编码物品的文本或图像信息，生成丰富的内容表示 (content representations)，然后将这些表示作为额外特征输入到传统的推荐模型中。
- 局限性: 这种方法仅将 LLM 用作静态的内容理解工具，未能利用其内含的世界知识进行推理和预测。此外，直接引入多模态信息可能带入与用户偏好无关的噪声（如图片背景）。
LLM 作为推荐主干: 另一类工作如 P5，尝试将推荐任务（如序列推荐、评分预测）统一转化为自然语言任务，直接使用 LLM 进行端到端的推荐。
- 局限性: LLM 的预训练目标（如语言建模）与推荐任务的目标之间存在巨大鸿沟 (gap)，导致性能不佳。同时，随着模型规模增大，推理延迟和计算成本高昂，难以在实时应用中部署。
基于提示的两阶段融合范式: 近期的工作如 KAR 和 $R^4ec$ $R^{4} ec$ ，是本文着重对比和改进的对象。这类方法通常分两步：
- 第一阶段 (知识生成): 将用户信息、历史行为等构造成结构化的提示，输入给 LLM，让其生成富含语义的隐式知识。
- 第二阶段 (知识融合): 使用神经网络（如注意力机制或 MoE）将 LLM 生成的知识与推荐模型自身的行为特征进行融合。
- 局限性 (本文的出发点):
  - 依赖静态、固定的提示模板，无法满足个性化需求。
  - 融合停留在特征维度，未能实现语义空间和行为空间的深层对齐。

差异化分析 (Differentiation)

与上述工作相比，本文的 CoCo 框架核心创新在于：

从“静态”到“动态”: 抛弃了固定的提示模板，通过 VQ 机制为每个用户动态生成个性化的软提示组合，使 LLM 的知识生成过程更具适应性。
从“单向融合”到“双向对齐”: 不再将 LLM 视为一成不变的知识源。通过“矛盾消除”机制，当 LLM 的输出与用户行为不符时，会反向微调 LLM，实现了推荐系统与 LLM 之间的双向优化和对齐。这是一个根本性的转变，旨在从根源上解决语义空间与行为空间的差异问题。

4. 方法论 (Methodology - Core Technology & Implementation Details)

CoCo 框架的核心是一个端到端的“协作-矛盾”融合流程，如下图所示。

该图像是论文中CoCo框架的示意图，展示了个性化知识生成、对齐与矛盾消除的三大核心模块，结合行为数据和文本信息，通过解耦层实现多模态知识融合，提升推荐系统效果。

上图展示了 CoCo 框架的整体架构。它包含两个主要阶段：协作增强（左侧）和矛盾消除（右侧）。左侧通过动态生成个性化提示来增强推荐；右侧通过评估知识有效性并选择性地微调 LLM 来消除语义与行为的矛盾。

4.1 协作增强 (Collaboration Enhancement)

此阶段的目标是为每个用户动态生成个性化的语义知识。

4.1.1. 基于向量量化的个性化提示生成 (Personalized Prompt Generation based on VQ)
- 核心思想: 不再使用手工设计的固定提示，而是创建一个可学习的软提示 (soft prompts) 候选池（即码本 codebook），并为每个用户动态选择一个最优子集。
- 步骤:
  1. 构建软提示码本: 定义一个码本 $\mathcal{Z} = \{\mathbf{z}_1, \mathbf{z}_2, \ldots, \mathbf{z}_K\}$ ，其中每个 $\mathbf{z}_i \in \mathbb{R}^d$ 是一个可训练的 d 维向量，代表一个软提示。 $K$ 是码本的大小。
  2. 用户表示: 将用户的特征（如ID、交互序列）编码成一个统一的表示向量 $\mathbf{e}_u$ 。
  3. 提示选择: 计算用户表示 $\mathbf{e}_u$ $e_{u}$ 与码本中每个软提示 $\mathbf{z}_i$ $z_{i}$ 的余弦相似度，并通过 Softmax 函数将其归一化为概率分布： $s_i = \mathrm{Softmax}(\cos(\mathbf{e}_u, \mathbf{z}_i)), \quad i=1, 2, \ldots, K$
    - 符号解释:
      - $\mathbf{e}_u$ : 用户 $u$ 的表示向量。
      - $\mathbf{z}_i$ : 码本中的第 $i$ 个软提示向量。
      - $\cos(\cdot, \cdot)$ : 余弦相似度函数。
      - $s_i$ : 用户 $u$ 选择第 $i$ 个提示的概率。
  4. 构建最终提示: 设定一个阈值 $\theta$ ，选择所有满足 $s_i > \theta$ 的软提示 $\{\mathbf{z}_i\}$ 作为该用户的私有提示。同时，为了保证基础语义，还会拼接一个所有用户共享的结构化提示 $\mathbf{z}_{shared}$ 。最终的提示矩阵 $\mathbf{h}_{prompt}$ 与用户的历史交互物品标题编码 $\mathbf{h}_{text}$ 拼接，形成 LLM 的最终输入 $\mathbf{h}_l$ ： $\begin{array}{c} \mathbf{h}_{prompt} = [\mathbf{z}_{shared}, \{\mathbf{z}_i | s_i > \theta\}], \\ \mathbf{h}_l = [\mathbf{h}_{prompt}, \mathbf{h}_{text}]. \end{array}$
- 训练目标: 软提示码本的训练通过 VQ 损失 $\mathcal{L}_Q$ $L_{Q}$ 来指导，旨在让用户表示 $\mathbf{e}_u$ $e_{u}$ 靠近其选择的码字： $\mathcal{L}_Q = \| \mathbf{e}_u - \mathbf{z}_k \|_2^2$
  - 符号解释:
    - $\mathbf{z}_k$ : 选中的码字（软提示）。
    - $\| \cdot \|_2^2$ : L2 范数的平方，即欧氏距离的平方。
4.1.2. 基于正交约束的语义解耦 (Semantic Decoupling based on Orthogonal Constraint)
- 问题: 将多个提示拼接输入 LLM，可能导致输出的语义信息相互混杂。
- 解决方案:
  1. 解耦: 使用交叉注意力 (Cross Attention) 机制，将 LLM 的混合输出 $\mathbf{h}_{mix}$ 进行解耦。具体地，以用户选择的提示矩阵 $\mathbf{h}_{prompt}$ 作为 Query，以 $\mathbf{h}_{mix}$ 同时作为 Key 和 Value，提取出与每个提示相对应的“纯净”语义知识 $\mathbf{h}_{pure}$ 。 $\mathbf{h}_{pure} = \mathrm{CrossAttention}(\mathbf{h}_{prompt}W_Q^1, \mathbf{h}_{mix}W_K^1, \mathbf{h}_{mix}W_V^1)$
  2. 多样性增强: 为了避免软提示码本中的提示语义冗余，引入正交约束损失 (orthogonal constraint loss) $\mathcal{L}_{ortho}$ ，惩罚不同提示之间的相似性： $\mathcal{L}_{ortho} = \sum_{i=1}^K \sum_{j=i+1}^K \cos(\mathbf{z}_i, \mathbf{z}_j)$ 这个损失函数促使码本中的各个软提示在语义上保持互补性和多样性。
4.1.3. 语义-行为对齐 (Semantic-Behavioral Alignment)
- 目标: 将解耦后的纯净语义知识 $\mathbf{h}_{pure}$ 与推荐系统 (RS) 自身的行为表示 $h_{RS}$ 进行有效融合。
- 方法: 再次使用交叉注意力机制。这次以 $h_{RS}$ 作为 Query，以 $h_{RS}$ 和 $\mathbf{h}_{pure}$ 拼接后的表示作为 Key 和 Value，使得 RS 能够选择性地关注对当前推荐任务最相关的语义特征，得到最终的对齐表示 $\mathbf{h}_{aligned}$ 。

4.2 矛盾消除 (Contradiction Elimination)

此阶段的目标是解决 LLM 生成的知识有时会损害推荐性能的问题。

核心思想: 动态评估 LLM 输出的有效性。只有当 LLM 的知识引入导致性能下降时，才对其进行微调，否则保持其参数不变。
步骤:
1. 有效性评估: 对于每个样本，比较不使用 LLM 知识的推荐得分和使用 LLM 知识后的推荐得分。具体来说，是比较目标物品 $v_t$ $v_{t}$ 的向量与原始 RS 输出 $h_{RS}$ $h_{RS}$ 的相似度，以及与融合后输出 $\mathbf{h}_{aligned}$ $h_{a l i g n e d}$ 的相似度。 $M = \mathbb{I}((\cos(\mathbf{h}_{aligned}, \mathbf{v}_t) > \cos(h_{RS}, \mathbf{v}_t)))$
  - 符号解释:
    - $\mathbb{I}(\cdot)$ : 指示函数 (Indicator function)。当条件为真时，输出 1，否则为 0。
    - $M$ : 一个二元决策值。 $M=1$ 表示 LLM 的知识是有益的； $M=0$ 表示是无益或有害的（即“矛盾”）。
2. 条件化微调 (Conditional Fine-tuning): 使用梯度掩码 (gradient masking) 技术。只有当 $M=0$ $M = 0$ 时，才允许梯度回传到与 LLM 相关的模块，触发微调。当 $M=1$ $M = 1$ 时，则通过 stop-gradient 操作 sg(·) 阻止梯度回传，冻结 LLM 相关参数。 $\mathbf{h}_{aligned}' = sg(M \odot \mathbf{h}_{aligned}) + (1-M) \odot \mathbf{h}_{aligned}$
  - 符号解释:
    - $\odot$ : 逐元素乘法。
3. LoRA 微调: 当需要微调时（即 $M=0$ ），采用 LoRA 技术更新 LLM 的参数。这只涉及更新少量的低秩矩阵参数，既高效又能保护 LLM 预训练时学到的通用知识。

4.3 整体训练目标 (Overall Training Objective)

最终的损失函数由四部分组成： $\mathcal{L} = \mathcal{L}_r + \alpha \mathcal{L}_{aux} + \beta \mathcal{L}_{ortho} + \gamma \mathcal{L}_Q$

符号解释:
- $\mathcal{L}_r$ : 主要的推荐损失，采用 InfoNCE 对比损失。
- $\mathcal{L}_{aux}$ : 一个辅助的对比损失，确保 RS 的行为表示 $h_{RS}$ 与目标物品表示对齐。
- $\mathcal{L}_{ortho}$ : 前述的软提示正交约束损失。
- $\mathcal{L}_Q$ : 前述的 VQ 量化损失。
- $\alpha, \beta, \gamma$ : 控制各项损失权重的超参数。

5. 实验设置 (Experimental Setup)

数据集 (Datasets):
- 公开数据集: 亚马逊商品评论数据集 (Amazon Product Reviews) 中的两个子集：Beauty (美妆) 和 Toys & Games (玩具与游戏)。这些是推荐系统领域的标准评测数据集。
- 工业数据集: 来自某东南亚头部电商平台的内部数据集，包含 1800 万用户和 2300 万次交互记录。使用真实工业数据可以验证方法在实际场景中的有效性。
评估指标 (Evaluation Metrics):
- Recall@5 (R@5):
  1. 概念定义: 召回率 (Recall) 衡量的是“所有用户真正感兴趣的物品中，被推荐系统成功推荐出来的比例”。Recall@K 特指在前 K 个推荐结果中计算这个比例。Recall@5 关注的是模型在前 5 个推荐位中找回用户真实点击物品的能力，是衡量推荐系统“查全率”的核心指标之一。
  2. 数学公式: 对于单个用户，其 Recall@K 定义为： $\text{Recall@K} = \frac{|\hat{R}(u) \cap T(u)|}{|T(u)|}$
  3. 符号解释:
    - $\hat{R}(u)$ : 为用户 $u$ 生成的 Top-K 推荐列表。
    - T(u): 用户 $u$ 在测试集中实际交互过的物品集合（Ground Truth）。
    - $|\cdot|$ : 集合中元素的数量。在序列推荐任务中，通常 $|T(u)|=1$ ，即预测下一个物品。
- NDCG@5 (N@5):
  1. 概念定义: 归一化折损累计增益 (Normalized Discounted Cumulative Gain) 是一个考虑推荐顺序的排序评估指标。它的核心思想是：(1) 用户感兴趣的物品排在推荐列表越靠前，得分越高；(2) 通过归一化处理，使得不同用户或查询之间的得分具有可比性。NDCG@5 衡量的是前 5 个推荐结果的排序质量。
  2. 数学公式: $\text{NDCG@K} = \frac{\text{DCG@K}}{\text{IDCG@K}} \quad \text{其中} \quad \text{DCG@K} = \sum_{i=1}^{K} \frac{rel_i}{\log_2(i+1)}$
  3. 符号解释:
    - $rel_i$ : 位于推荐列表第 $i$ 位的物品的相关性得分。在推荐任务中，如果该物品是用户实际交互的物品，则 $rel_i=1$ ，否则为 0。
    - $\log_2(i+1)$ : 折损因子，位置越靠后，分母越大，对总分的贡献越小。
    - DCG@K: 折损累计增益，即前 K 个位置的相关性得分总和。
    - IDCG@K: 理想折损累计增益，即完美排序（所有相关物品排在最前面）下的 DCG@K 值，用于归一化。
对比基线 (Baselines):
- 两阶段知识融合方法:
  - KAR: 通过用户偏好和物品事实两种提示来引导 LLM 生成知识。
  - $R^4ec$ : 采用迭代式知识反思机制，在融合前评估和更新知识。
- 生成式推荐方法:
  - TIGER: 采用 RQ-VAE 和编码器-解码器架构进行生成式推荐。
  - COBRA: 使用解码器-only架构融合语义ID和行为向量。
- 知识注入式 LLM 推荐方法:
  - UniSRec: 利用对比预训练实现跨场景迁移。
  - TALLRec: 应用 LoRA 进行少样本推荐。
  - RecFormer: 使用两阶段跨领域预训练和微调框架。
- 主干模型 (Backbone Models): SASRec, BERT4Rec, FDSA, $s^3Rec$ , PinnerFormer。这些模型覆盖了从单向到双向、从简单自注注意到复杂结构的不同序列推荐架构，用以验证 CoCo 的通用性。

6. 实验结果与分析 (Results & Analysis)

核心结果分析 (Core Results Analysis)

与知识融合基线的对比 (Table 1):

结果转录:

Backbone	Method	Beauty				Toys				Industrial Dataset
Backbone	Method	R@5	Impr.	N@5	Impr.	R@5	Impr.	N@5	Impr.	R@5	Impr.	N@5	Impr.
BERT4Rec	base	0.0203	—	0.0124	−	0.0116	—	0.0069	—	0.0418	−	0.0282	−
	KAR	0.0206	+1.48%	0.0127	+2.42%	0.0117	+0.86%	0.0070	+1.45%	0.0423	+1.20%	0.0284	+0.71%
	R4ec	0.0207	+1.97%	0.0129	+4.03%	0.0118	+1.72%	0.0071	+2.90%	0.0427	+2.15%	0.0285	+1.06%
	CoCo (Ours)	0.0213	+4.93%	0.0134	+8.06%	0.0121	+4.31%	0.0073	+5.80%	0.0439	+5.02%	0.0291	+3.19%
PinnerFormer	base	0.0516		0.0373		0.0585		0.0455		0.0697		0.0469	—
	KAR	0.0522	+1.16%	0.0377	+1.07%	0.0595	+1.71%	0.0458	+0.66%	0.0708	+1.58%	0.0473	+0.85%
	R4ec	0.0536	+3.88%	0.0383	+2.68%	0.0597	+2.05%	0.0460	+1.10%	0.0711	+2.01%	0.0475	+1.28%
	CoCo (Ours)	0.0549	+6.40%	0.0405	+8.58%	0.0634	+8.38%	0.0476	+4.62%	0.0752	+7.89%	0.0497	+5.97%

(注: 为简洁起见，仅展示了 BERT4Rec 和 PinnerFormer 两个主干模型的结果)

分析:
1. CoCo 在所有数据集、所有主干模型和所有评估指标上均取得了最佳性能。例如，在 PinnerFormer backbone 和 Beauty 数据集上，CoCo 的 N@5 指标相比基础模型提升了 8.58%，远超 KAR 和 $R^4ec$ 。
2. 这证明了 CoCo 的通用性和有效性。动态个性化提示和矛盾消除机制确实比静态模板和单向融合更优越。

与早期 LRSs 的对比 (Table 2):