面向鲁棒 Top-k 推荐的大语言模型高效与负责任适配

传统推荐系统（RSs）通常被优化以在所有训练样本上均匀提升性能指标。由于不同用户具有各异的属性，这使得数据驱动的 RSs 难以满足多样化的用户群体。各群体间的性能差异会损害模型对子群体的鲁棒性。尽管近期工作在适配大语言模型（LLMs）以解决困难样本方面展现出可喜的结果，但来自数百万用户的冗长查询会降低 LLMs 的性能，并增加成本、处理时间和推理延迟。这对 LLMs 在推荐中的实际适用性提出了挑战。为了解决这一问题，我们提出了一种混合任务分配框架，利用 LLMs 和传统 RSs 双方的能力。通过采用两阶段方法来提升对子群体的鲁棒性，我们推动了战略性任务分配，以实现 LLMs 的高效与负责任适配。我们的策略首先识别出由 RSs 获得次优排序性能的弱势和不活跃用户。接着，我们对这类用户采用上下文学习方法，将每个用户的交互历史情境化为一个独立的排序任务并交给 LLM。我们通过整合多种推荐算法——协同过滤和排序学习推荐模型——以及两种 LLMs——开源和闭源模型——来测试我们的混合框架。我们在三个真实世界数据集上的结果显示，弱势用户显著减少，RSs 对子群体的鲁棒性提升了约 $(\approx12\%)$，且在不按比例增加成本的情况下提升了整体性能。