SCoTER：用于增强推荐的结构化思维链迁移
信息检索
2026-02-26 v6
摘要
利用大语言模型（LLM）的推理能力服务于推荐系统面临两个基本挑战。首先，当前方法缺乏自动化、数据驱动的有效推理模式发现机制，而是依赖脆弱的手动模板和不稳定的零样本提示。其次，它们采用结构坍塌式集成：直接提示带来高昂的在线推理成本，而特征提取将推理链压缩为单个向量，丢弃了逐步逻辑。为应对这些挑战，我们提出SCoTER（用于增强推荐的结构化思维链迁移），一个将模式发现与结构感知迁移视为联合优化问题的统一框架。具体而言，SCoTER通过两个协同组件实现这一点：用于自动化模式发现的生成-验证-挖掘（GVM）流水线，以及将逐步逻辑迁移到高效模型的结构保持集成架构。实验上，四个基准上的实验表明在不同骨干网络上均有一致的提升。此外，在腾讯广告平台的实际部署中，SCoTER实现了2.14%的商品交易总额（GMV）提升，同时消除了在线LLM推理成本。总体而言，SCoTER提出了一个实用且统一的框架，用于将结构化LLM推理集成到推荐系统中，并在离线基准和在线生产环境中得到了一致提升的验证。
引用
@article{arxiv.2511.19514,
title = {SCoTER: Structured Chain-of-Thought Transfer for Enhanced Recommendation},
author = {Jie Jiang and Yang Wu and Qian Li and Yuling Xiong and Hongbo Tang and Xun Liu and Haoze Wang and Jun Zhang and Huan Yu and Hailong Shi},
journal= {arXiv preprint arXiv:2511.19514},
year = {2026}
}