PCN-Rec：面向可靠治理约束推荐的智能体式携带证明协商
人工智能
2026-01-16 v1
摘要
现代基于大语言模型（LLM）的推荐系统可以生成引人注目的排序列表，但它们难以可靠地满足治理约束，例如最小长尾曝光或多样性要求。我们提出了PCN-Rec，这是一个携带证明的协商流程，它将自然语言推理与确定性执行分离开来。一个基础推荐器（MF/CF）生成一个大小为W的候选窗口，该窗口由两个智能体进行协商：一个用户倡导者优化相关性，一个策略智能体执行约束。一个调解LLM综合出一个Top-N列表，并附带一个描述所声称约束满足情况的结构化证书（JSON）。一个确定性验证器根据该列表重新计算所有约束，并只接受通过验证器检查的证书；如果验证失败，一个确定性约束贪婪修复器会生成一个合规的列表以供重新验证，从而产生一个可审计的追踪记录。在带有治理约束的MovieLens-100K数据集上，对于可行用户（n = 551, W = 80），PCN-Rec达到了98.55%的通过率，相比之下，没有验证/修复的单次单LLM基线方法通过率较低，同时保持了效用，NDCG@10仅绝对下降0.021（0.403 vs. 0.424）；差异具有统计显著性（p < 0.05）。
引用
@article{arxiv.2601.09771,
title = {PCN-Rec: Agentic Proof-Carrying Negotiation for Reliable Governance-Constrained Recommendation},
author = {Aradhya Dixit and Shreem Dixit},
journal= {arXiv preprint arXiv:2601.09771},
year = {2026}
}