English(EN) When History Misleads: Asymmetric Margin Supervision for Instruction-Guided LLM Generative Recommendation

新的 AIMS 方法通过平衡用户请求和历史记录来改进 LLM 推荐系统

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 23:53

研究人员为指令引导的生成推荐系统开发了一种名为不对称干预引导边际监督 (AIMS) 的新训练方法。该方法解决了平衡用户请求与历史交互数据之间的挑战，尤其是在两者发生冲突时。AIMS 将移除单个历史事件的效果转化为排序监督，确保目标项目的分数及其相对于竞争对手的边际得到提高，即使历史事件可能会误导模型。该方法在各种 LLM 主干和数据集上都显示出召回率 (Recall) 和 NDCG 的改进。 AI

影响通过更好地处理用户历史记录和当前请求之间的冲突，增强了 LLM 推荐系统，有可能改善用户体验和相关性。

排序理由详细介绍 LLM 推荐系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍 LLM 推荐系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 5 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Qifan Wang · 2026-10-01 23:53

历史的误导：指令引导LLM生成式推荐的不对称边际监督

In instruction-guided generative recommendation, LLM-based recommenders need to balance two goals: responding to the user's current request and aligning with the preferences in their interaction history. When the two conflict, history events can override the request. We show that…

本文如何被排名

报道来源 [1]

历史的误导：指令引导LLM生成式推荐的不对称边际监督

相关实体

相关话题