善用天然推荐潜能：基于结构术语标识符的LLM生成式推荐
软凝聚态物质
2026-01-13 v1 数学物理
math.MP
摘要
利用大语言模型（LLM）的广阔开放世界知识和理解能力，以开发通用、语义感知的推荐系统已成为生成式推荐的关键研究方向。然而，现有方法在构建物品标识符方面存在瓶颈：基于文本的方法引入LLM的广阔输出空间，导致幻觉问题；基于语义ID（SIDs）的方法则存在SIDs与LLM本机词汇之间的语义鸿沟，需耗费大量成本进行词汇扩展和对齐训练。为此，本文引入术语ID（TIDs），定义为一组语义丰富且标准化的文本关键词，用作稳健的物品标识符。我们提出GRLM框架，围绕TIDs设计，采用情境感知术语生成将物品的元数据转换为标准化TIDs，并利用综合指令微调协同优化术语内化与顺序推荐。此外，设计了弹性标识符 grounding 以实现稳健的物品映射。大量在真实数据集上的实验表明，GRLM在多个场景下显著优于基线方法，指向通用且高性能生成式推荐系统的可行方向。
引用
@article{arxiv.2601.06797,
title = {Introduction of Probability Density Alternation Method for Inverse Analyses of Integral Equations in Surface Science},
author = {Keito Hashidate and Rieko Iwayasu and Takumi Otake and Ken-ichi Amano},
journal= {arXiv preprint arXiv:2601.06797},
year = {2026}
}