用于个性化推荐的情境化知识协同整合与差异消解
信息检索
2025-10-17 v1
摘要
将大语言模型（LLM）集成到推荐系统中，通过其提取世界知识以增强推理能力的能力，已显示出巨大的潜力。然而，当前采用静态基于模式的提示机制的方法遇到了显著的限制：（1）它们采用通用的模板结构，忽略了用户偏好多样性的多面性；（2）它们在语义知识表示和行为特征空间之间实现了浅层对齐，而没有实现全面的潜在空间整合。为了解决这些挑战，我们引入了CoCo，一个端到端的框架，通过双机制方法动态构建用户特定的情境化知识嵌入。我们的方法通过自适应知识融合和矛盾消解模块，实现了语义和行为潜在维度的深度融合。在多样化基准数据集和企业级电子商务平台上的实验评估证明了CoCo的优越性，在推荐准确性方面比七种最先进的方法最大提高了8.58%。该框架在生产广告系统中的部署带来了1.91%的销售增长，验证了其实际有效性。凭借其模块化设计和模型无关的架构，CoCo为需要知识增强推理和个性化适应的下一代推荐系统提供了一种通用解决方案。
引用
@article{arxiv.2510.14257,
title = {Synergistic Integration and Discrepancy Resolution of Contextualized Knowledge for Personalized Recommendation},
author = {Lingyu Mu and Hao Deng and Haibo Xing and Kaican Lin and Zhitong Zhu and Yu Zhang and Xiaoyi Zeng and Zhengxiao Liu and Zheng Lin and Jinxin Hu},
journal= {arXiv preprint arXiv:2510.14257},
year = {2025}
}