论文
登录后可查看剩余解析次数。
标签筛选
基于大语言模型的推荐系统
Large Language Models meet Collaborative Filtering: An Efficient All-round LLM-based Recommender System
发表：2024/4/17
基于大语言模型的推荐系统协同过滤推荐系统冷启动推荐优化跨域推荐系统用户/项目嵌入生成
协同过滤推荐系统在提升用户体验方面取得了显著成功，但在冷启动场景中面临稀疏数据的挑战。本文提出了一种高效的全能型基于LLM的推荐系统ALLMRec，能够有效利用协同知识，提升在冷启动和暖启动场景中的表现，具有模型无关性和效率高的优点。
02
Towards Scalable Semantic Representation for Recommendation
发表：2024/10/12
基于大语言模型的推荐系统语义ID建模高维嵌入降维基于混合编码的推荐方法推荐系统性能增强
本研究提出了一种名为“MixtureofCodes（MoC）”的方法，以解决将大语言模型嵌入应用于推荐系统时遇到的维度压缩问题。通过在索引阶段构建多个独立的码本，并结合融合模块，MoC显著提升了语义表示的区分度和维度鲁棒性，优化了推荐系统的扩展性能。
04
Towards Next-Generation Recommender Systems: A Benchmark for Personalized Recommendation Assistant with LLMs
发表：2025/3/12
基于大语言模型的推荐系统个性化推荐助手基准推荐系统性能评估复杂用户查询处理LLM能力评估
本文提出新的基准数据集RecBench，以评估大型语言模型(LLMs)在复杂个性化推荐需求下的能力。研究发现，LLMs作为推荐助手表现出初步能力，更擅长处理明确条件的查询，但在需要推理或应对误导信息时面临困难。
01
Recommender Systems in the Era of Large Language Models (LLMs)
发表：2023/7/5
基于大语言模型的推荐系统大语言模型微调生成式推荐系统推荐系统的预训练与调优大语言模型的提示方法
本文回顾了利用大型语言模型（LLMs）强化推荐系统的各类方法，包括预训练、微调和提示。通过综合分析这些技术，作者强调LLMs在编码用户和物品特征、提升理解和生成能力方面的潜力，以及其在未来推荐系统研究中可能的应用方向。
04
Align$^3$GR: Unified Multi-Level Alignment for LLM-based Generative Recommendation
发表：2025/11/14
基于大语言模型的推荐系统多级对齐方法行为建模与对齐动态偏好适应自我博弈决策优化
AlignGR框架通过统一的多级对齐方法，有效将大型语言模型(LLMs)转化为推荐系统。其创新性包括双重词元化、增强行为建模及渐进式决策优化策略，解决了语义与行为错位的问题，实验结果显示，在Recall@10和NDCG@10指标上显著超越最先进基线。
07
USB-Rec: An Effective Framework for Improving Conversational Recommendation Capability of Large Language Model
发表：2025/9/21
大语言模型强化学习训练对话式推荐系统基于大语言模型的推荐系统用户模拟器基础框架偏好优化数据集构建
本文提出USBRec框架，旨在提升大语言模型在对话式推荐系统中的能力。通过基于用户模拟器的偏好优化数据集构建和自增强策略，可以有效增强模型在训练和推理阶段的表现。实验证明，该方法在多种数据集上均优于以往的最先进技术。
04
Modeling shopper interest broadness with entropy-driven dialogue policy in the context of arbitrarily large product catalogs
发表：2025/9/8
对话式推荐系统基于大语言模型的推荐系统用户兴趣广度建模熵驱动对话策略动态推荐探索与利用
本文提出了一种新的会话推荐系统策略，通过计算检索得分的熵来建模用户兴趣广度，从而有效平衡用户需求的探索与推荐的利用。在面对庞大产品目录时，该策略动态调整对话策略，低熵查询直接推荐，高熵查询则发问以探索更多信息，优化用户体验。
03
Generative Sequential Recommendation with GPTRec
发表：2023/6/20
序列推荐系统基于大语言模型的推荐系统GPT-2架构推荐模型子ID分词算法Next-K生成式推荐策略
本文提出基于GPT2的GPTRec生成式序列推荐模型，采用SVD子ID词元化减少大词汇表问题，并引入NextK生成策略优化推荐列表的复杂目标。实验表明，GPTRec在MovieLens1M上推荐质量与SASRec相当，嵌入表规模缩小40%。
03
A Survey on Generative Recommendation: Data, Model, and Tasks
发表：2025/10/31
生成式推荐系统大语言模型微调Diffusion模型多模态大语言模型基于大语言模型的推荐系统
本文综述生成式推荐的新范式，基于数据增强与统一、模型对齐训练及任务设计三个维度系统分析。重点探讨大型语言模型和扩散模型的创新应用，揭示生成推荐在知识整合、自然语言理解与个性化生成上的优势。
011
MMQ-v2: Align, Denoise, and Amplify: Adaptive Behavior Mining for
Semantic IDs Learning in Recommendation
发表：2025/10/29
生成式推荐系统基于大语言模型的推荐系统自适应行为挖掘语义ID学习内容-行为多模态对齐
MMQv2提出了自适应行为内容对齐、去噪和放大机制，有效解决了推荐系统中长尾物品行为噪声和信号模糊问题，提升了语义ID的表达能力和泛化性能。实验证明其在大规模工业数据集上的推荐任务表现优越。
023
Beyond Persuasion: Towards Conversational Recommender System with
Credible Explanations
发表：2024/9/22
基于大语言模型的推荐系统生成式推荐系统可信解释生成对话式推荐系统
本文针对当前基于大型语言模型的对话推荐系统在说服用户时生成不可信解释的问题，提出PCCRS方法。该方法通过可信度感知说服策略指导解释生成，并结合事后自我反思逐步优化，显著提升了解释的可信性与推荐准确性。
02
CARE: Contextual Adaptation of Recommenders for LLM-based Conversational
Recommendation
发表：2025/8/19
基于大语言模型的推荐系统对话式推荐系统上下文感知推荐系统实体级推荐增强推荐系统重排名
CARE框架通过将外部推荐系统作为领域专家集成，与大型语言模型协同工作，实现对话推荐中的上下文适应。该方法弥补了传统LLM零/少样本推荐的领域适应不足及协同关系忽视，显著提升推荐准确性和多样性。
03
ChatCRS: Incorporating External Knowledge and Goal Guidance for LLM-based Conversational Recommender Systems
发表：2025/4/1
基于大语言模型的推荐系统外部知识检索集成对话目标规划多目标对话推荐系统
本文提出ChatCRS框架，通过工具增强的知识检索智能体和目标规划智能体，将复杂的多目标对话推荐任务分解，有效整合外部知识与对话目标引导。实验证明其在推荐准确性和语言质量上实现显著提升，达成最新最优性能。
07
PAARS: Persona Aligned Agentic Retail Shoppers
发表：2025/3/31
基于大语言模型的推荐系统在线购物行为建模用户画像生成与应用代理人行为模拟消费者行为分布对齐
本文提出PAARS框架，基于匿名购物数据自动挖掘人格画像，创建具零售工具的合成购物智能体，重点从群体层面对齐模拟行为与真实人类分布。实验验证人格画像提升了对齐效果，展示了智能体在自动化A/B测试中的潜力。
03
LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation
of Likert Ratings
发表：2025/10/9
大语言模型微调基于大语言模型的推荐系统语义相似度评分方法Likert量表模拟消费者行为建模
本文提出语义相似度评级（SSR）方法，通过对大语言模型生成文本与参考陈述的嵌入相似度映射，实现对人类购买意图的高效仿真。SSR在包含9300人类响应的大规模个人护理产品调查中达成90%重测信度，保持响应分布真实性及可解释性，促进可扩展消费者研究。
011
R4ec: A Reasoning, Reflection, and Refinement Framework for
Recommendation Systems
发表：2025/7/23
生成式推荐系统大语言模型强化学习训练序列推荐系统基于大语言模型的推荐系统推理反思与精炼框架
本文提出R4ec框架，结合推理、反思和精炼，引入行动者模型和反思模型迭代优化推荐结果，实现类似系统2的思维方式。实验证明该方法在多个公开数据集及大规模广告平台中提升推荐性能及收益。
03