ReFORM：基于多因素注意力的 LLM 聚合用户画像生成餐厅推荐框架
信息检索
2026-03-18 v1 机器学习
摘要
在推荐系统中，大语言模型（LLM）因其生成描述性总结以提升推荐鲁棒性而受到关注，这与图卷积网络并列。然而，现有 LLM 增强的推荐研究主要依赖 LLM 对物品标题的内部知识，忽略了影响用户决策的各种因素。虽然反映每个用户决策因素的信息在评论中丰富存在，但鲜有研究积极利用此类洞见进行推荐。为此，我们提出了 ReFORM：基于 LLM 的评论聚合用户画像生成框架，集成多因素注意力。具体而言，我们首先通过 LLM 从评论中生成针对特定因素的用户和物品画像，以捕捉用户对物品的偏好以及用户对物品的评估。随后，我们提出的多因素注意力机制突出了用户决策过程中最具影响力的因素。本文在规模不同的两个餐厅数据集上进行实验，展示了其鲁棒性以及优于当前最先进基准的优异性能。此外，深入分析验证了所提模块的有效性，并提供了关于个人化来源的洞见。我们的源代码和数据集已公开于 https://github.com/m0onsoo/ReFORM。
引用
@article{arxiv.2603.16236,
title = {ReFORM: Review-aggregated Profile Generation via LLM with Multi-Factor Attention for Restaurant Recommendation},
author = {Moonsoo Park and Seulbeen Je and Donghyeon Park},
journal= {arXiv preprint arXiv:2603.16236},
year = {2026}
}