ACL2025结合大语言模型的推荐系统文章简读（1）

ACL2025结合大语言模型的推荐系统文章简读（1）

Knowledge Graph Retrieval-Augmented Generation for LLM-based Recommendation
基于LLM的推荐系统通常存在幻视和实时知识匮乏的问题，而检索增强生成（RAG）是有效的解决方法。然而，现有RAG方法所依赖的文本数据通常包含噪声，且缺乏推荐实体的结构信息。针对该问题，论文提出基于知识图谱（KG）检索增强方法K-RagRec。KG包含丰富的结构化实时事实知识，有助于提高推荐准确度。具体而言，K-RagRec首先基于语义信息和图卷积，将知识图谱以子图为单位编入向量数据库；然后，K-RagRec设计基于流行度的选择检索策略，确定用户购买历史中需要检索增强的物品；最后，K-RagRec重排检索所得子图，设计图卷积网络对子图编码，并将编码结果融入模板，输入LLM实现推荐。

Tunable LLM-based Proactive Recommendation Agent
传统推荐系统注重识别用户兴趣，通常导致极端推荐结果分布，长此以往将加剧过滤气泡效应，影响推荐系统的长期生态健康。针对该问题，论文提出一种基于LLM的可微调主动推荐代理（T-PRA）。T-PRA根据用户反馈实时调整推荐策略，并基于长期奖励优化推荐策略。首先，T-PRA设计基于LLM的代理，包含负责实时推荐的Actor和负责深度推理以辅助Actor的Advisor。为实现推荐策略的优化，T-PRA设计Critic从长期角度实时评估推荐质量，采用DPO技术优化Actor和Advisor。

Bi-Tuning with Collaborative Information for Controllable LLM-based Sequential Recommendation
现有基于LLM的生成序列推荐方法面临协同知识缺失和生成过程不可控的问题。针对该问题，论文提出一种基于两头微调的可控序列推荐方法（Laser）。其中，两头微调指在LLM输入模板的头部和尾部分别插入可微调的虚拟token。头部token基于多专家模块，或编码用户历史交互序列协同信息生成用户embedding，或径直编码商品embedding。尾部token则将LLM输出转换到推荐空间，使得用户和商品embedding可用于相似度计算，实现可控生成式推荐。

GRAM: Generative Recommendation via Semantic-aware Multi-granular Late Fusion
现有生成式推荐方法面临两个挑战：（1）商品关系建模不足；（2）输入文本序列过长。对此，论文提出基于语义感知与多粒度后融合的生成式推荐框架（GRAM）。针对第一个挑战，GRAM设计语义-词汇转换方法，将商品的层次语义信息和协同语义信息转换为LLM可理解的文本。具体而言，语义-词汇转换方法首先基于商品文本信息对商品层次聚类，随后计算簇的代表性单词以标识商品。该标识符即捕捉商品关系信息（同簇商品共享同标识），又实现商品与LLM空间的兼容（标识符均由LLM可理解的单词组成）。与此同时，语义-词汇转换方法基于传统协同过滤方法，抽取相似商品的文本标识符，实现协同语义信息的捕捉。针对第二个挑战，论文提出多粒度后融合方法，对于用户历史交互信息和商品信息分别设计粗细粒度prompt，并行输入不同编码器编码，从而降低输入文本序列的长度。该方法将编码向量拼接后输入解码器实现推荐商品生成。

小结
生成式推荐方法有以下几个问题值得关注：（1）商品结构信息的捕捉；（2）LLM计算成本的降低；（3）过滤气泡效应的避免。