Skip to content

Avoid Recommending Out-of-Domain Items: Constrained Generative Recommendation with LLMs

grok-3-latest
Score: 0.55
Published: at 09:08

Summary: 本文提出 RecLM-cgen 方法,通过约束生成技术消除大型语言模型在推荐系统中的领域外物品推荐问题,同时显著提升推荐准确性,为生成式推荐提供轻量级实用解决方案。

Keywords: LLM, Generative Recommendation, Constrained Generation, Retrieval, Domain Adaptation

Authors: Hao Liao, Wensheng Lu, Jianxun Lian, Mingqi Wu, Shuo Wang, Yong Zhang, Yitian Huang, Mingyang Zhou, Xing Xie

Institution(s): Shenzhen University, China, Microsoft Research Asia, Microsoft Gaming

Problem Background

大型语言模型(LLMs)在生成式推荐系统中展现出强大的交互能力和潜力,如文本内容融合、冷启动推荐和详细解释,但其生成不在当前领域内物品(Out-of-Domain, OOD)的缺陷可能导致信任问题和负面商业影响。 本文旨在解决这一关键问题,确保推荐物品始终在预定义领域内,从而提升 LLM 推荐系统的可靠性和实用性。

Method

Experiment

Further Thoughts

RecLM-cgen 的约束生成方法(通过前缀树限制解码空间)不仅适用于推荐系统,还可扩展至其他需要结构化输出的任务(如 API 调用、JSON 生成),启发我们在生成任务中探索更紧密的模型内约束机制;此外,单阶段生成优于两阶段检索的结论提示我们关注上下文一致性,而多轮对话数据维持通用能力的策略值得在其他领域(如医疗、教育)中进一步验证。