LLMAR: 面向稀疏且文本丰富的工业领域的免调优推荐框架
信息检索
2026-04-21 v1 计算与语言
摘要
工业B2B应用（例如，建筑工地风险预测、材料采购）面临极端的数据稀疏性，但拥有丰富的文本交互。在此类环境中，传统的基于ID的协同过滤因缺乏共现信号而失效，而微调标准大语言模型（LLM）则会产生高昂的运营成本，并难以应对频繁的数据漂移。我们提出了LLMAR（LLM注释推荐），一个免调优框架。超越简单的嵌入，LLMAR系统地整合了LLM推理，以在无需任何训练过程的情况下捕捉用户的“潜在动机”。我们引入了三个核心贡献：（1）推理驱动注释：利用LLM将行为历史转化为结构化的语义动机，实现基于ID的方法无法实现的基于推理的匹配；（2）反思循环：一种自我纠正机制，用于优化生成的查询，以减轻幻觉并解决过去历史与当前指令之间的“上下文竞争”；以及（3）成本效益架构：依赖免调优组件和异步批处理以最小化维护成本。在公共基准测试（MovieLens-1M、Amazon Prime Pantry）和一个稀疏的工业数据集（建筑风险预测）上的评估表明，LLMAR优于最先进的基于学习的模型（SASRecF），在工业数据集上实现了高达54.6%的nDCG@10提升。推理成本仍然非常实用（约每1000用户1美元）。对于严格实时延迟不关键的B2B领域，将LLM推理与自我验证相结合，在准确性、可解释性和运营成本方面提供了优于基于训练的方法的替代方案。
引用
@article{arxiv.2604.16379,
title = {LLMAR: A Tuning-Free Recommendation Framework for Sparse and Text-Rich Industrial Domains},
author = {Ryogo Hishikawa and Ichiro Kataoka and Shinya Yuda},
journal= {arXiv preprint arXiv:2604.16379},
year = {2026}
}
备注
10 pages, 3 figures, github link is to be updated