🎁 推荐系统¶

💬 ACL2025 · 7 篇论文解读

📌 同领域跨会议浏览： 💬 ACL2026 (13) · 🔬 ICLR2026 (10) · 🤖 AAAI2026 (26) · 🧠 NeurIPS2025 (24) · 🧪 ICML2025 (17) · 📷 CVPR2025 (1)

🔥 高频主题： 推荐系统 ×6 · LLM ×4

Beyond Single Labels: Improving Conversational Recommendation through LLM-Powered Data Augmentation: 针对对话推荐系统中的假阴性问题（用户可能喜欢的item被错误标记为负样本），提出基于LLM的数据增强框架，通过语义检索+相关性打分生成合成标签，再通过两阶段训练策略平衡语义相关性和协同信息。
Laser: Bi-Tuning with Collaborative Information for Controllable LLM-Based Sequential Recommendation: 本文提出Laser框架，通过在LLM输入的前缀和后缀分别插入可训练虚拟token（Bi-Tuning），将用户-物品协同信息注入冻结的LLM，并设计基于MoE的M-Former来捕获不同类型用户的差异化特征，实现参数高效的序列推荐。
CoVE: Compressed Vocabulary Expansion Makes Better LLM-based Recommender Systems: 提出 CoVE 框架，通过扩展 LLM 词表为每个物品分配唯一 token ID 和嵌入，将序列推荐任务转化为 next-token prediction，相比现有方法推荐准确率提升最高 62%，推理速度提升约 100 倍，并通过哈希嵌入压缩解决大规模场景的内存问题。
GRAM: Generative Recommendation via Semantic-aware Multi-granular Late Fusion: 提出 GRAM 生成式推荐框架，通过语义到词汇翻译将隐式物品层次/协同关系编码到 LLM 词汇空间，并用多粒度迟融合独立编码不同粒度提示再在解码端融合，在四个基准上 Recall@5 提升 11.5–16.0%、NDCG@5 提升 5.3–13.6%。
KERL: Knowledge-Enhanced Personalized Recipe Recommendation using Large Language Models: 提出 KERL 统一食品推荐系统，结合 FoodKG 知识图谱和 Phi-3-mini 多 LoRA 微调，实现个性化食谱推荐（F1=0.973）、食谱生成和微量营养素估算三个功能，大幅超越基线 LLM 和传统嵌入方法。
LOTUS: A Leaderboard for Detailed Image Captioning from Quality to Societal Bias and User Preferences: 提出 LOTUS 排行榜，从描述质量（对齐性、描述性、语言复杂度）、副作用（幻觉、有害性）和社会偏见（性别、肤色）三个维度统一评估大型视觉语言模型的详细图像描述能力，并支持基于用户偏好的定制化评估。
RecLM: Recommendation Instruction Tuning: 提出 RecLM，一个模型无关的推荐指令微调框架，通过两轮对话式指令微调将协同过滤信号注入 LLM 生成的用户/商品画像，再用 RLHF（PPO）精炼画像质量，在 MIND/Netflix/工业数据集上作为即插即用组件为 BiasMF/NCF/LightGCN/SGL/SimGCL 一致带来提升，尤其在冷启动场景效果显著。