LLM特征提取器在推荐系统中什么最重要？提示、模型与适应的系统性分析
信息检索
2026-01-29 v3
摘要
利用大语言模型（LLM）生成语义特征已被证明是增强序列推荐系统（SRS）的强大范式。这通常涉及三个阶段：处理物品文本、使用LLM提取特征，以及将其适配到下游模型。然而，现有方法在提示、架构和适配策略上差异很大，使得难以公平地比较设计选择并识别真正驱动性能的因素。在本工作中，我们提出了RecXplore，一个模块化分析框架，将LLM作为特征提取器的流水线分解为四个模块：数据处理、语义特征提取、特征适应和序列建模。RecXplore并不提出新技术，而是重新审视和组织已有方法，使每个模块能够被独立地进行系统性探索。在四个公开数据集上的实验表明，无需穷举搜索，仅将现有技术的最佳设计组合起来，相比强基线即可获得NDCG@5最多18.7%的相对提升和HR@5 12.7%的提升。这些结果强调了模块化基准测试在识别有效设计模式和促进LLM增强推荐领域标准化研究方面的效用。
引用
@article{arxiv.2509.14979,
title = {What Matters in LLM-Based Feature Extractor for Recommender? A Systematic Analysis of Prompts, Models, and Adaptation},
author = {Kainan Shi and Peilin Zhou and Ge Wang and Han Ding and Fei Wang},
journal= {arXiv preprint arXiv:2509.14979},
year = {2026}
}
备注
9 pages. Keywords: Recommender Systems, Large Language Models, Sequential Recommendation, Feature Extraction