AI Papers Daily

#LLM Recommendation

3 篇

HARP: Training-Free Dual-Profile Agentic Communication for LLM-Based Recommendation

HARP：面向 LLM 推荐的训练-free 双画像 Agent 通信

🧭 LLM Agent 推荐 · 双 Profile 通信 ★ 深度解读

Harbin Institute of Technology, Shenzhen · Great Bay University · Shenzhen Loop Area Institute

将 LLM 推荐重构为用户-物品双 Profile 通信，用检索侧同质性门控和反思更新提升推荐准确率

📌 工作参考价值（4 点）

• 将用户与物品建成 schema 对齐的双 Profile（用户：interests/quality_bar/context/behavior，物品：serves/quality_signal/context/audience），物品侧用规则抽取零额外 LLM 调用，降低大规模 item 画像成本
• 把 profile 相似度作为检索阶段的门控因子（BaseScore * (α+(1-α)H)）重排序候选，而不是拼进 reranker prompt，避免 context 带宽被挤占，实测是最大收益来源
• 用户画像更新采用单次 reflective pass + 确定性 critic 门控：基于最近 hit/miss 案例生成候选画像，只接受覆盖度更高的提案，防止无梯度更新造成画像漂移
• 通道分解设计（pairwise disjoint + 线性加权）让 homophily 分数按通道可加性独立归因，便于线上 debug 和分通道调权

RecSys | 2026-11-03 | cs.IR | score 8/10

LLM RecommendationAgentic CommunicationDual ProfileHomophilyRetrievalTraining-Free

An Event is Worth One Token: Event Tokenization for Industrial-scale LLM Recommendation

事件即一Token：面向工业级LLM推荐的事件Token化

🧭 事件Token化提升LLM推荐快照分辨率 ★ 深度解读

AI at Meta

将每个用户交互事件压缩为单个Event Token并异步缓存，在不增加在线特征物化成本的前提下提升LLM推荐的快照分辨率

📌 工作参考价值（4 点）

• 异步Event Token缓存：将用户历史事件（曝光/点击/转化等）在离线阶段用轻量Encoder压缩成固定维度向量，在线推理时只读取缓存Token，避免实时拉取和解析上百个稀疏/稠密特征，大幅降低特征服务与GPU计算压力。
• 统一Tokenizer + 特征Mask：一个共享Encoder通过二进制mask区分不同角色（用户/物品/上下文/标签），同时服务排序和检索任务，实现跨实体正迁移，减少多套编码器的维护成本。
• 表示漂移缓解：高频重训会导致缓存Token与旧版本不兼容，采用DANN+EMA对齐新旧Encoder输出空间，保持缓存可复用，避免每次更新后全量刷新用户序列。
• 存储压缩技巧：Matryoshka Dropout支持训练一次后灵活截断维度，量化感知训练实现INT4下8倍存储压缩，适合海量用户历史Token的存储需求。

RecSys | 2026-08-26 | cs.IR | score 10/10

Event TokenizationLLM RecommendationAsynchronous CachingRepresentation DriftSnapshot ResolutionIndustrial-scale

SAILRec: Steering LLM Attention to Dual-Side Semantically Aligned Collaborative Embeddings for Recommendation

SAILRec：双端语义对齐与分层注意力引导的LLM推荐

🧭 LLM推荐中的协作知识注入与注意力控制 ★ 深度解读

Northeastern University, China

通过双端语义对齐和分层注意力引导，改善LLM推荐中协作嵌入的语义可达性与层级利用。

📌 工作参考价值（4 点）

• 用户侧语义画像码本对齐：用风格/情感/意识形态码本通过历史交互加权投票生成用户语义 target，然后将协作嵌入对齐到这些离散标签的 LLM 表示上。电商场景可直接替换码本为商品属性（品牌、价格段、类目、风格等），解决匿名 user embedding 在 LLM 中难以理解的问题，同时提供可解释的推荐理由。
• 分层的注意力引导策略：浅层抑制、中层无干预、深层增强协作 token 的注意力。这可以推广到任何向 LLM 注入外部嵌入（如知识图谱、多模态特征）的场景——避免过早干扰语言编码，在决策层强化外部知识，通过简单的偏置控制即可实现，无需改动模型结构。
• 分阶段训练策略：先冻结 MF 得到协作嵌入，再单独训练映射模块做语义对齐，最后联合微调 LoRA 和映射模块。这种“预训练-对齐-下游适配”的流程可以复用：将任意推荐特征（如协同信号）先对齐到 LLM 语义空间再参与微调，比一步联合训练更稳定。
• 基于注意力诊断的模型设计：在深度上观察协作 token 的注意力分布，并根据其深度依赖特性设计干预策略。实际工作中可以通过类似诊断分析（layer-wise attention to special tokens）来检验额外注入的特征是否被 LLM 合理利用，并指导何时增强/抑制。

RecSys | 2026-06-03 | cs.IR | score 10/10

LLM RecommendationCollaborative FilteringAttention SteeringSemantic AlignmentContrastive Learning