LLM-EDT: Large Language Model Enhanced Cross-domain Sequential Recommendation with Dual-phase Tra...

文章总结与翻译

一、主要内容

本文聚焦跨域序列推荐（CDSR）中的不平衡问题（某一领域交互数据占主导，难以捕捉其他领域特征）和迁移问题（混合序列中难以捕捉跨域偏好，影响特定领域下一项预测），同时针对现有大语言模型（LLMs）增强型CDSR方法存在的无关噪声和粗糙用户画像问题，提出了一种基于双阶段训练的大语言模型增强跨域序列推荐框架（LLM-EDT）。

核心模块包括：

1. 可迁移物品增强器：通过LLM生成跨域交互样本，结合噪声过滤和有序插入机制，在缓解数据不平衡的同时减少无关噪声；
2. 双阶段训练框架：先通过混合序列预训练获取领域共享背景知识，再针对特定领域进行微调，增强领域特异性线程与共享线程的关联性，解决迁移问题；
3. 领域感知画像模块：通过聚类-总结-重构-分析流程生成细粒度用户画像，并通过对齐损失将语义信息注入模型，改善粗糙画像问题。

实验基于三个公开数据集（Cloth-Sport、Electronic-Cell Phone、Food-Kitchen）验证，LLM-EDT在Hit@10和NDCG@10指标上显著优于传统序列推荐、跨域序列推荐及现有LLM增强型推荐方法，且兼顾训练/推理效率与通用性。

二、创新点

1. 提出可迁移物品增强器：结合K-means聚类选代表性样本、LLM生成跨域