USB-Rec：提升大语言模型对话式推荐能力的有效框架
计算与语言
2025-09-26 v1 人工智能
摘要
近年来，大语言模型（LLM）广泛应用于对话式推荐系统（CRSS）。与专注于训练的传统方法不同，现有的 LLM-based 方法主要关注如何利用 LLM 的摘要与分析能力，而忽略了训练问题。为此，我们提出一种集成训练-推理框架，基于用户模拟器的框架（USB-Rec），用于在模型层面提升 LLM 在对话式推荐中的性能。首先，我们设计了一种基于 LLM 的偏好优化（PO）数据集构建策略，用于 RL 训练，帮助 LLM 理解对话式推荐的策略与方法。其次，我们提出了推理阶段的自我强化策略（SES），进一步挖掘从 RL 训练中获得的对话式推荐潜能。广泛的实验表明，我们的方法在各种数据集上 consistently 优于以前的 state-of-the-art 方法。
引用
@article{arxiv.2509.20381,
title = {USB-Rec: An Effective Framework for Improving Conversational Recommendation Capability of Large Language Model},
author = {Jianyu Wen and Jingyun Wang and Cilin Yan and Jiayin Cai and Xiaolong Jiang and Ying Zhang},
journal= {arXiv preprint arXiv:2509.20381},
year = {2025}
}
备注
Accepted by Recsys'25