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 ★ 深度解读
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（4 点）
- 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。