Rethinking Semantic Alignment in LLM-Enhanced Collaborative Filtering: A Spectral Decoupling Approach
重新思考 LLM 增强协同过滤的语义对齐：谱解耦方法
🧭 LLM 增强协同过滤 · 谱解耦
Nara Institute of Science and Technology · Kyushu University
发现 LLM 语义中的非主奇异分量对推荐有用，而对齐会抑制这些分量；提出无参数预测层解耦融合 UniSpecRec
📌 工作参考价值
- 不要用 MLP/对比学习把语义 embedding 强行投到 ID 空间；直接在预测分数层做线性融合，保留各自空间，通常优于对齐，且无额外参数。
- 对 item/user 语义 embedding 做 SVD，使用 power 谱滤波 f(σ)=σ^p（p 在 0.1-0.6）抬高非主奇异分量，能稳定提升 Recall/NDCG；alpha 约 0.35 可固定或粗搜。
- SVD 可离线做，复杂度 O((|U|+|I|)d_s^2)，推理只做矩阵乘法；适合大规模电商 item 库和冷启动/稀疏场景。
- 评估 LLM embedding 时，不要只看余弦相似度或主成分；跨 encoder 方差可衡量对齐方案的稳定性，解耦方案更鲁棒。
动机：LLM 语义增强推荐主流做法是将语义 embedding 映射到协同 ID 空间做对齐，但哪些语义分量真正有用、对齐是否必要缺乏理解。作者从谱视角发现：协同信号依赖低频谱，而语义有用信息延伸到非主奇异分量；对齐训练会集中到主导协同/主语义子空间，抑制非主语义。控制实验显示非主分量在 alignment 内增益不一致，而在组件级解耦下稳定提升，预测层解耦性能最好。
方法关键点：
- 对交互矩阵 R 和语义矩阵 S 分别保留原空间，不引入跨空间 MLP/对比投影；最终融合在预测层：(1-α) R̂_CF + α R̂_S。
- 语义分支对 S 做 SVD，用 power filter f(σ)=σ^p 重加权奇异值，抬高非主分量；协同分支沿用 SGFCF 等稀疏/低通滤波。
- 无额外可训练参数，SVD 离线预处理；复杂度 O(|V|d_s^2)。
- 可配合 MF、LightGCN、SimGCL、SGFCF 等骨干。
关键结果：
- 在 Games/Toys/Books 三个 Amazon 数据集上，UniSpecRec 比最强交互-only SGFCF 的 Recall@20 相对提升 5.1%、15.3%、4.4%（LLaMA-3.2-3B）。
- 一致优于 AlphaRec、RLMRec-Con/Gen 等 alignment 方法；例如 Toys 上 Qwen3-Embedding-8B 的 Recall@20，Full Decoupling 达 0.1266，AlphaRec-Full 为 0.1018。
- 效率上，Books 上 UniSpecRec 总耗时 52s，而 AlphaRec 388s、L3AE 162s；跨三个 LLM encoder 的指标方差最低。
最值得记住：别把语义 embedding 强行对齐进 ID 空间；非主语义分量有用，解耦后在预测层融合、对语义谱做 power 重加权，效果更好且零新增参数。