L2Rec：面向个性化推荐的 LLM 双视图理解
信息检索
2026-05-27 v1 人工智能
摘要
将大型语言模型（LLM）适用于个性化推荐需要在用户特定偏好之间对齐其通用能力，同时有效地利用行为信号和语义信号。现有方法通常在输入层（例如将行为嵌入注入到标记空间）或输出层（例如对独立编码器进行对比对齐）集成这些信号，导致分布差距或缺乏端到端任务监督。在本工作中，我们引入了L2Rec，通过在LLM的参数层面统一行为和语义理解。我们的关键洞察是，同一套Transformer参数可作为两种视图的共享介质：通过应用面向视图特定的、每个用户都有 personalized low-rank 扰动的Dual-view Personalized Mixture-of-Experts（DPMoE）机制，L2Rec使单个LLM主干网络能够为每个用户产生互补的行为和语义适应，同时保持最小的表示级对齐。一个自适应的跨视图融合模块进一步将双视图输出整合为统一的用户偏好。在四个数据集上的实验表明，L2Rec consistently优于最先进的基线方法，在大型工业平台上的在线A/B测试验证了关键参与度指标的显著性改进。
引用
@article{arxiv.2605.26717,
title = {L2Rec: Towards Dual-View Understanding of LLMs for Personalized Recommendation},
author = {Pingjun Pan and Tingting Zhou and Peiyao Lu and Tingting Fei and Hongxiang Chen and Chuanjiang Luo},
journal= {arXiv preprint arXiv:2605.26717},
year = {2026}
}
备注
Accepted at SIGIR 2026