基于大语言模型的新兴物品推荐表征学习
人工智能
2025-12-12 v1
摘要
本文旨在解决推荐新兴物品的挑战，这些物品的互动会随时间逐渐积累。现有方法往往忽视了这一动态过程，通常假设新兴物品只有少量甚至没有历史互动。这种假设过于简化，因为良好的模型必须在保留新兴物品独特性的同时，利用其与既有物品的共享模式。为此，我们提出了EmerFlow——一个新兴表征学习框架，通过大语言模型生成新兴物品的独特嵌入表示。该框架首先通过大语言模型推理丰富新兴物品的原始特征，然后将这些表示与现有推荐模型的嵌入空间对齐。最后，通过元学习融入新的互动，以细化嵌入表示。这使EmerFlow能够仅凭有限的互动从而学习表达丰富的新兴物品嵌入表示。在包括电影和制药领域在内的多个领域进行的广泛实验表明，EmerFlow consistently优于现有方法。
引用
@article{arxiv.2512.10370,
title = {LLM-Empowered Representation Learning for Emerging Item Recommendation},
author = {Ziying Zhang and Quanming Yao and Yaqing Wang},
journal= {arXiv preprint arXiv:2512.10370},
year = {2025}
}