Selection and Exploitation of High-Quality Knowledge from Large Language Models for Recommendation

一、文章主要内容

本文聚焦于解决大语言模型（LLMs）在推荐系统应用中存在的知识幻觉、内容冗余和信息同质化问题，提出了知识选择与利用推荐（KSER）框架，旨在从LLMs中筛选高质量知识并有效融入传统推荐模型，同时设计两种训练策略以适配不同应用场景，最终通过实验验证了框架及核心模块的有效性。

1. 研究背景与问题

• LLMs在推荐系统中的潜力：LLMs具备强大的泛化能力与推理能力，可为推荐系统提供额外的世界知识和推理信息，现有LLMs与推荐系统的融合范式包括“LLMs作为推荐器”“基于LLM的自主智能体”“连接LLMs与推荐模型”三类。
• 核心问题：工业界主流推荐模型仍为判别式模型，直接将LLMs生成的知识嵌入输入推荐模型，会因知识的冗余、同质化等问题导致模型性能下降，且生成式推荐需对现有推荐 pipeline 大幅重构，成本高、稳定性差。

2. KSER框架核心组件

（1）知识选择与过滤模块（KSF）——嵌入选择过滤网络（ESFNet）

• 功能：为不同知识领域的不同知识块分配自适应权重，筛选对推荐任务有价值