通过外部推荐系统的情境适应和基于 LLM 的重排序来提高对话式推荐
信息检索
2026-03-31 v2
摘要
我们解决了将大型语言模型 (LLM) 与外部推荐系统集成以增强对话式推荐 (CRS) 中领域专业知识的挑战。当前的 LLM-based CRS 方法主要依赖零/少量样本方法生成基于用户查询的项目推荐，但这种方法面临两个显著挑战：(1)在没有领域特定适应的情况下，LLM 经常推荐目标项目空间中不存在的项目，导致推荐准确率低；(2)LLM 主要依赖对话情境进行基于内容的推荐，忽略了项目序列中的协同关系。为解决这些限制，我们引入了 CARE (Contextual Adaptation of Recommenders) 框架。CARE (1) 将外部推荐系统作为领域专家，通过实体级见解产生候选项目；(2) 将 LLM 定制为重排序器，以利用情境信息提高准确性。我们的结果表明，纳入 CARE 框架后，LLM 在 ReDial 和 INSPIRED 数据集上的推荐准确率分别提高了平均 54% 和 25%。最有效的 CARE 策略是 LLM 根据情境见解选择并对外部推荐器提供的候选项目进行重排序。
引用
@article{arxiv.2508.13889,
title = {Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking},
author = {Chuang Li and Weida Liang and Hengchang Hu and See-Kiong Ng and Min-Yen Kan and Haizhou Li and Yang Deng},
journal= {arXiv preprint arXiv:2508.13889},
year = {2026}
}
备注
Accepted to ECIR 2026 (13 pages, 9 figures)