消除推荐服务中的数据稀缺问题：融合VARK认知类型与神经网络技术（LLM）
计算与语言
2026-03-05 v1 信息检索
摘要
冷启动场景在缺乏用户交互历史或物品稀疏元数据的情况下，构成了有效推荐生成的根本性障碍。本研究提出一种创新性的混合框架，利用大语言模型（LLM）进行内容语义分析和知识图谱构建，集成基于VARK（Visual, Auditory, Reading/Writing, Kinesthetic）学习偏好的认知轮廓。该框架针对多个冷启动维度进行设计：通过LLM处理丰富不足的物品描述，生成来自最小数据的用户轮廓，并根据认知评估动态调整呈现格式。该框架包含六个集成组件：语义元数据增强、动态图构建、VARK基于轮廓、精神状态估计、图增强检索与LLM驱动排序、以及具有迭代学习的自适应界面设计。在MovieLens-1M数据集上进行的实验验证表明，该系统能够在初始信息有限的情况下生成个性化推荐。该工作为具备语义理解和心理建模能力的认知感知推荐系统奠定了基础，能够通过克服冷启动限制，为初始用户接触提供个性化、可解释的推荐。
引用
@article{arxiv.2603.03309,
title = {Combating data scarcity in recommendation services: Integrating cognitive types of VARK and neural network technologies (LLM)},
author = {Nikita Zmanovskii},
journal= {arXiv preprint arXiv:2603.03309},
year = {2026}
}
备注
18 pages, 2 tables