面向生成式推荐的从个体到群体兴趣的迭代语义推理框架

推荐系统旨在从历史行为中学习用户兴趣，并提供相关物品。近期方法利用大型语言模型（LLM）构建和集成用户与物品的语义表示，以捕捉用户兴趣。然而，用户行为理论表明，真正理解用户兴趣不仅需要语义集成，还需要从显式的个体兴趣进行语义推理，以推导隐式的群体兴趣。为此，我们提出了用于生成式推荐的迭代语义推理框架（ISRF）。ISRF利用LLM在三个步骤中桥接显式个体兴趣与隐式群体兴趣。第一步，我们对物品属性进行多步双向推理，以推断物品语义特征并构建捕获用户显式兴趣的语义交互图。第二步，我们基于语义物品特征生成语义用户特征，构建基于相似性的用户图，以推导相似用户群体的隐式兴趣。第三步，我们采用迭代小批量优化策略，显式的个体兴趣直接指导群体隐式兴趣的细化，而群体隐式兴趣间接增强个体建模。这种迭代过程确保了兴趣推理的一致性与渐进性，实现更准确、更全面的用户兴趣学习。在Sports、Beauty和Toys数据集上进行的大规模实验表明，ISRF超越了当前最先进的基线方法。代码已公开于https://github.com/htired/ISRF。