ProMax：探索基于分布塑形的 LLM 演绎剖面在推荐系统中的潜力

大型语言模型 (LLM) 的卓越文本理解和生成能力正在为基于隐式用户反馈的通用推荐领域注入新活力。与其直接将 LLM 部署为推荐模型，不如更灵活的范式利用其解读用户历史交互和语义上下文的能力，从而提取 characterize 用户偏好的结构化剖面。这些剖面可以进一步转化为可操作的高维表示，作为强大的信号来增强和强化推荐模型。然而，现有研究对这些剖面如何在特征空间中增强推荐性能的机制理解不足。此外，现有研究主要依赖非线性对齐和融合策略来整合这些剖面，往往导致语义损失，未能充分发挥其潜力。为此，本文从检索角度重新审视剖面，提出一种基于分布塑形 (ProMax) 的简单而有效的推荐框架。我们首先利用稠密检索揭示用户剖面与项目剖面在特征空间中的协同关系。基于此洞见，我们引入双重分布重塑过程，其中剖面分布作为引导信号，引导推荐模型学习对不可见项目的用户偏好，而超出已观察相互作用的范围。我们将 ProMax 应用于四种经典推荐方法，并在三个公开数据集上进行测试。结果表明，ProMax 大幅提升了基线模型性能，并优于现有的 LLM 基于推荐方法。