由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
基于LLM的推荐中的层级双向去偏
原标题：Hierarchical Dual Debiasing in LLM-based Recommendation
作者：Sijin Lu；Jun Wu
期刊：ACM Transactions on Information Systems
出版时间：2026/07/31
摘要：大型语言模型（LLM）已成为提升现代推荐系统性能的关键技术。尽管享有诸多优势，基于大型语言模型的推荐系统(LRS)表现出比传统推荐系统(CRS)更为严重的流行度偏差加剧这一问题的是，当前用于LRS的去偏方法仅限于单级和单阶段干预措施，导致效果不佳。在本文中，我们提出了一种新颖的LRS去偏方法，在训练和推理阶段都在标记和项目级别上执行去偏操作，称为层次双重去偏LRS（HD²LRS）。具体而言，在训练阶段，一种基于标记的逆倾向得分技术被嵌入到监督微调阶段中，鼓励大型语言模型更加关注不常见的标记。随后，开发了一种基于流行度感知的直接偏好优化方法来抑制LLM倾向于偏爱热门项目的倾向。在推理阶段，我们首先通过放大分配给热门项目的权重来训练一个高度偏置的CRS。偏置的CRS的预测输出然后被用来限制LLM，防止其生成流行令牌并推荐流行项目。通过四个真实世界数据集进行的大量实验确认，我们的HD\({}^{2}\)LRS有效缓解了LRS中的流行度偏差，并在推荐准确性方面取得了显著改进。
原文链接
大型语言模型也是有效的嵌入模型：深入概述
原标题：LLMs are Also Effective Embedding Models: An In-depth Overview
作者：Chongyang Tao；Tao Shen；Shen Gao；Junshuo Zhang；Zhen Li；Kai Hua；Wenpen Hu；Zhangwei Tao；Shuai Ma
期刊：ACM Transactions on Information Systems
出版时间：2026/07/31
摘要：大型语言模型（LLMs）通过在各种任务上实现最先进的性能而革新了自然语言处理。最近，它们作为嵌入模型的有效性引起了关注，标志着从传统的仅编码模型（如ELMo和BERT）向解码器仅有的大规模LLM（如GPT、LLaMA和Mistral）的范式转变。本次调查提供了对该过渡的深入概述，从LLM时代之前的奠定性技术开始，随后是通过两种主要策略从LLM派生嵌入的基于LLM的嵌入模型。直接提示：我们主要讨论提示设计以及推导出具有竞争力的嵌入的基本原理。数据为中心的调优：我们涵盖了影响嵌入模型调优的广泛方面，包括模型架构、训练目标、数据构建等。基于以上内容，我们也涵盖了从较长文本、多语言、代码、跨模态数据以及推理感知和其他特定领域场景生成嵌入的高级方法。此外，我们讨论了影响嵌入模型选择的因素，例如性能比较，密集型与稀疏型嵌入，池化策略以及扩展法则。最后，调查强调了适应LLMs进行嵌入的限制和挑战，包括跨任务嵌入质量、效率和准确性之间的权衡、低资源、长上下文、数据偏差、鲁棒性等。本调查通过综合当前进展，突出关键挑战，并提供一个全面的框架来增强LLMs作为嵌入模型的有效性和效率，从而成为研究人员和从业人员的重要资源。
原文链接
D3MBR：具有偏好引导的多行为推荐双层扩散去噪器
原标题：D3MBR: Dual-Level Diffusion Denoiser with Preference Guidance for Multi-Behavior Recommendation
作者：Yangtao Zhou；Xiangming Li；Jianan Li；Jialong Han；Hua Chu；Yutang Liu；Qingshan Li
期刊：ACM Transactions on Information Systems
出版时间：2026/07/25
摘要：多行为推荐（MBR）整合了丰富的辅助行为以增强目标行为中的用户偏好建模，吸引了广泛的研究关注。现有的研究集中在通过基于固定数据集的复杂模型来改进MBR的建模能力，这些方法本质上是以模型为中心的。然而，他们忽视了潜在的数据质量问题，例如噪声。为了填补这一空白，我们将去噪问题重塑为清洁数据生成任务，并从数据为中心的角度提出了一种无噪声生成范式。基于此范式，在扩散模型的生成和去噪能力驱动下，我们设计了一种具有偏好引导功能的双层扩散去噪器(D\({}^{3}\)MBR)。DMBR适应目标行为和辅助行为的独特噪声特征。具体来说，对于目标行为，我们提出了一种表示层面的去噪策略，该策略利用协同偏好信号引导扩散去噪器生成无噪声的表示。对于辅助行为，我们设计了一种交互级的去噪策略，该策略使用目标行为中的去噪用户偏好来指导另一个扩散去噪器生成干净的交互。To validate the effectiveness, we integrate D{}^{3}MBR with advanced MBR models and achieve great performance improvements across four datasets.这些结果突显了我们的方法在通过解决数据质量问题来推进MBR方面的潜力。
原文链接
可解释的双视图推理模型用于POI检索(DRM)
原标题：DRM: An Interpretable Dual-view Reasoning Model for POI Retrieval
作者：Xi He；Yijie Sun；Tiancheng Xiang；Xingyu Lu；Yanbing Liu
期刊：ACM Transactions on Information Systems
出版时间：2026/07/23
摘要：随着基于位置的服务（LBS）的广泛应用，兴趣点（POI）检索在商业智能和社会网络分析中展示了重要的价值。本研究关注于即席POI检索，这是LBS中的一个基本任务，旨在仅根据当前用户查询和位置检索匹配的POI，而不依赖于用户的偏好。这项任务具有挑战性，原因是用户意图模糊以及空间表示稀疏。现有研究依赖于大型黑盒模型，这些模型以牺牲决策可解释性为代价实现高性能。为了解决这一权衡问题，本研究提出了一种名为DRM的POI检索推理模型，该模型融合了文本语义和空间邻近性。首先，我们将多模态POI检索问题分解为两个独立的视角：地理和语义。其次，我们提出了一种双视图联合训练范式，通过重播来自两个视图的记忆来增强模型的泛化能力。最后，我们设计了一个逐步推理决策模块以提高检索性能和决策的可解释性。在两个真实世界的数据集上进行的大量实验表明，我们提出的方法显著优于最先进的（SOTA）基准方法。此外，通过一种新颖的决策转换矩阵和案例研究，我们展示了模型的可解释性。ResponseBody不符合要求，重新生成回复：_TRUNCATEDResponseBody正确的格式应该是：{DRM模型的实现可在https://github.com/simplehx/DRM获得。
原文链接
RAGnRoll：学习迭代检索和生成可归属的答案片段
原标题：RAGnRoll: Learning to Iteratively Retrieve and Generate Attributable Answer Snippets
作者：Hanane Djeddal；Laure Soulier；Karen Pinel-Sauvagnat；Sophia Katrenko；Pierre Erbacher；Lynda Tamine
期刊：ACM Transactions on Information Systems
出版时间：2026/07/21
摘要：生成式搜索引擎的迅速采用标志着信息检索方面的重大转变。新的方法利用大型语言模型（LLMs）提供合成的、语境丰富的自然语言响应，直接满足用户的信息需求。由于其生成性质，通过在输出中整合对支持来源的明确引用，这些系统受益于增强的可靠性，这种做法也被称为Attribution。训练大型语言模型具备这种能力是一项艰巨的任务，这在很大程度上取决于训练数据的质量和强大的训练信号，尤其是在需要消化长上下文并提供全面答案的场景中。规划和分解历来有助于语言模型生成更好的答案，但它们对归因的影响仍然相对未被探索。这项工作提出了RAGnRoll，在一个多轮检索增强生成（RAG）框架内用于属性答案生成的语言模型。我们利用多轮RAG的迭代性质训练一个大语言模型逐步构建答案，指导依据为子查询。RAGnRoll 使用因果语言模型目标和一个小的、特别制作的数据集进行训练。四个不同数据集上的实证评估（ASQA, ELI5；HAGRID 和 CORAL）展示了 RAGnRoll 对答案正确性和属性准确性的影响力。我们对RAGnRoll训练方法进行了广泛的评估，并将其基准性能在推理阶段与强大的最新模型进行比较。RAGnRoll 在不依赖大量数据或复杂训练的情况下实现了与先进方法相当的性能。
原文链接
基于大型语言模型的异构知识融合增强推荐
原标题：Integrating Heterogeneous Knowledge for Enhanced Recommendation with Large Language Models
作者：Alessro Petruzzelli；Cataldo Musto；Marco De Gemmis；Pasquale Lops；Giovanni Semeraro
期刊：ACM Transactions on Information Systems
出版时间：2026/07/18
摘要：大型语言模型融入推荐系统中引入了一种新范式，在这种范式下，模型利用其预训练的知识生成推荐。一个普遍的假设是，LLM的内在知识足以支持跨多个领域的高质量建议。本文对该假设提出挑战，认为在专业领域中，推荐效果受限于大型语言模型的知识的文本性质。
原文链接
规划策略是偏见学习者：基于LLM的对话规划策略中的偏好偏见全面分析
原标题：Planner Policies are Bias Learners: A Comprehensive Analysis of Preference Bias in LLM-based Dialogue Planner Policies
作者：Yizhe Yang；Heyan Huang；Jiawei Li；Huashan Sun；Yang Gao
期刊：ACM Transactions on Information Systems
出版时间：2026/07/18
摘要：大型语言模型促进了复杂对话规划策略的发展。然而，他们依赖于基于LLM的模拟和反馈进行政策优化可能会引入偏好偏差。本文提出了对基于LLM的对话规划者中的偏好偏差进行的第一个全面分析。它系统地评估了四种最先进的规划方法，在三个对话领域中使用多个规模不同的大型语言模型家族。我们的研究发现，所有测试的规划者都表现出显著的选择性偏见，倾向于狭窄的战略集而非保持均衡分布。值得注意的是，更大的模型反而放大偏见。用户模拟成为主要的偏见驱动因素，而多样化的角色模拟证明不是一个有效的缓解策略。最令人担忧的是，偏好偏差使规划者倾向于采取在短期内取得成功但损害现实世界有效性和伦理标准的有伦理问题的战略。这些发现为负责任地部署基于LLM的对话系统建立了基本挑战，并为开发更可靠和伦理一致的规划方法提供了关键见解。
原文链接
基于自适应关系精炼的跨模态交互学习在多模态推荐中的应用
原标题：Learning Potential Cross-Modal Interactions with Adaptive Relation Refinement for Multimodal Recommendation
作者：Zhuoxin He；Zhengdong Chen；Chang-Dong Wang；Shengli Sun；Chen Lin；Zhenhua Huang
期刊：ACM Transactions on Information Systems
出版时间：2026/07/18
摘要：最近在多模态推荐系统方面取得的进步通过融合显式交互行为和多模态特征来建模用户偏好展示了有前景的表现。现有方法主要依赖于显式交互，却根本上忽略了语义感知潜在交互的重要探索。这一限制使现有方法局限于信息受限的交互图。引入信息丰富的潜在交互范式可以有效扩展用户连接到更多相关项目，超越基于交互的连接，从而增强推荐性能。为此，我们开发了一个名为学习潜在跨模态交互（LoCroMI）的新框架，该框架整合了协作和跨模态信号来构建三个不同的图：一个潜在用户-项目交互图和两个兴趣感知项目图。我们利用图卷积网络进行聚合，并引入了一种结合对比学习与跨模态交互约束的双优化机制来增强表示的区分性。此外，我们设计了一种自适应潜在交互细化策略，该策略通过迭代训练期间基于置信度的阈值动态平衡噪声抑制和难以察觉的潜在交互发现。LoCroMI 建立了一个强大的框架，显著改善了语义丰富用户-项目关系的建模。在五个基准数据集上进行的大量实验表明，LoCroMI优于现有的最先进方法。代码可在以下地址获取：https://github.com/ZhuoxinHe/LoCroMI。
原文链接
SPARK-KT：通过知识追踪中的逐步先决条件感知推理来揭示学生认知(Illuminating Student Cognition through Stepwise Prerequisite-Aware Reasoning in Knowledge Tracing)
原标题：SPARK-KT: Illuminating Student Cognition through Stepwise Prerequisite-Aware Reasoning in Knowledge Tracing
作者：Xuantao Yang；Haokai Gao；Zhaojian Cui；Yuncheng Jiang
期刊：ACM Transactions on Information Systems
出版时间：2026/07/18
摘要：理解学生是如何思考的——而不仅仅是他们知道什么——仍然是知识追踪的核心挑战。当前的方法将知识建模为一系列扁平的概念集合，并且从根本上无法捕捉到支配人类解决问题的层次推理过程。We引入了SPARK-KT(StepwisePrerequisite-AwareReasoning forKnowledgeTracing)，一个通过认知依赖结构重构知识追踪的框架。SPARK-KT 利用大型语言模型自动将每个问题分解成一个推理步骤的有向无环图，其中节点表示原子认知操作，边编码先决条件约束。一种依赖关系感知的掌握传播机制确保了学生在任意步骤上的能力受到其最薄弱先决条件的限制——反映了教育现实即复杂技能无法在缺乏基础掌握的情况下被运用。通过一种分离概念知识与过程结构的双流架构，SPARK-KT 提高了预测准确性，并提供了细粒度的可解释性：它不仅识别学生是否会成功，而且确定构成其认知瓶颈的具体推理步骤。三项不同教育领域的实验表明，在十六个最先进的基准上均有持续改进，特别是在多步推理问题上取得了显著提升。除了预测之外，SPARK-KT 还能够提供可操作的诊断——揭示被先决条件差距掩盖的潜在能力，并告知精确的目标干预措施。
原文链接
对话推荐系统中建模响应不确定性和项目相关性
原标题：Modeling Response Uncertainty and Item Relevance in Conversational Recommender Systems
作者：Changbin Zhong；Jie Zou；Aixin Sun；Yang Deng；Weikang Guo；Yang Yang；Heng Tao Shen
期刊：ACM Transactions on Information Systems
出版时间：2026/07/18
摘要：对话推荐系统(CRSs)旨在从自然语言交互中提取用户偏好并通过对话提供个性化推荐。在多轮对话中，当用户意图不明确时，这些系统常常生成低置信度的回复，导致不适当的回应和用户体验下降。然而，现有的CRSs很少评估生成的回答的置信度或检测它们的语义不确定性。此外，基于项目的语义相关性建模不足阻碍了系统生成上下文连贯且符合偏好的推荐的能力。为此，我们提出了一种语义增强的对话推荐系统（SCRS），该系统明确地建模了基于响应的语义不确定性以及基于项目的语义相关性，从而提升响应质量和推荐质量。具体而言，在对话任务中，SCRS 采样多个候选回复并通过结合生成概率与语义分析估计其语义不确定性，作为约束来引导微调并提升回复质量。在推荐任务中，SCRS 通过整合文本知识丰富项目表示，并计算项目之间的语义相关性，然后应用动态优化策略来完善推荐过程，生成更符合用户偏好的项目。在两个公共数据集上进行的大量实验表明，SCRS 在推荐准确性和响应质量方面都显著优于最先进的基准方法，验证了我们提出的方法的有效性。
原文链接
不偏不倚：推荐中的多模态序列表示匹配与平衡
原标题：Play No Favorites: Matching and Balancing Multimodal Sequential Representation for Recommendation
作者：Fangyu Li；Zijie Bian；Shenbao Yu；Fan Yang；Hong Peng；Feng Zeng；Fei Chen；Yifeng Zeng
期刊：ACM Transactions on Information Systems
出版时间：2026/07/15
摘要：随着用户行为序列日益多样化，顺序推荐系统（SRS），尤其是多模态SRS备受追捧。不同于传统的基于项目标识符（ID）的SRS，多模态SRS利用多种模态的数据（例如，文本和图像）来捕捉细粒度的用户-项目交互，从而增强推荐效果。训练多模态SRS的一种常见方法是使用预训练模型来表示项目的文本特征(or image)。然而，现有的预训练模型分别提取文本和图像特征，这可能导致视觉-文本不匹配。此外，多模态训练目标常常遭受跷跷板现象（即，改善某一目标的表现可能会降低其他目标的表现）。识别这些问题，在本文中，我们提出了一种精调对比语言图像多门专家序列推荐（f CLI-MSR）框架，其主要新颖之处在于（\(a\)）通过无缝整合图像文本匹配信息增强了项目表示以及（\(b\)）通过精心设计的多门专家网络和损失函数实现了跨模态学习平衡。我们展示了新框架在四个公开的多模态基准数据集上的性能，相对于顺序基线模型提高了项目预测性能，并缓解了跷跷板现象。
原文链接
保形@K：无分布Top-K错漏风险控制推荐算法（具有重叠组和两阶段保证）
原标题：Conformal@K: Distribution-Free Top-K Miss-Risk Control for Recommendation with Overlapping-Group and Two-Stage Guarantees
作者：Guangrui Fan；DanDan Liu；Lihu Pan
期刊：ACM Transactions on Information Systems
出版时间：2026/07/08
摘要：我们提出了Conformal@K，一个模型无关的校准层，它提供了对两阶段推荐和检索中Top-K漏检风险的无分布假设的有限样本控制。给定任意检索和重新排序评分器，Conformal@K选择单调预算，使得在水平\(1-\alpha\)下，只要存在可行参数，返回的Top-\(K\)中不出现任何相关项目的概率受到控制；否则，一个透明的最佳努力模式报告剩余差距并提供可操作的诊断。超越边际有效性，我们通过平滑的自归一化估计引入重叠组保证，联合两阶段校准同时控制检索失败和最终在K处的失败，并针对协变量偏移和时间依赖性提供重要性加权和窗口变体。实证上，在onMSLR-WEB10K数据集上，Conformal@K在不同\(\alpha\)水平下跟踪目标风险，并满足全局和群体目标，同时保持排名质量。在所有排名协议下的POI推荐（Gowalla,Foursquare），存在显示上限（\(K_{/max}=50\）的情况下，小的\(\alpha\)可能是不可行的；我们的方法仍然降低了全局和最差群体的错失风险，并提高了HR@K，明确报告了不可行性差距。我们将Conformal@K和exposure-fair方法与四个公平曝光基准进行了比较，表明这些方法针对互补的目标，并在实践中可以组合使用。漂移感知型和流式变体在漂移下稳定缺失风险。该方法具备审计友好的诊断功能并集成到现有堆栈中。
原文链接
TMMSRec：时间间隔感知的多模态序列推荐系统
原标题：TMMSRec: Time-interval-aware Multi-Modal Sequential Recommender
作者：Pingping Wang；yuanbo xu；Yiheng Jiang；Hangtong Xu；Fuzhen Zhuang
期刊：ACM Transactions on Information Systems
出版时间：2026/07/08
摘要：传统的多模态序列推荐系统通常采用序列模型（例如，SASRec 和 GRU4Rec）作为推荐框架来建模序列依赖性，并将多模态信息作为附加知识用于细粒度偏好的学习。然而，现有方法忽略了交互序列中的时间间隔信息，这反映了用户的偏好转换。因此，他们获得偏倚的偏好表示，导致次优表现。沿着这些思路，我们集中于将时间间隔纳入多模态序列推荐，并研究跨多种模态的内部影响。首先，我们将时间间隔视为一种独立的模态，并利用一个时间间隔编码器（TIE）来量化序列中的时间间隔。其次，我们考虑多种模态之间的异质性，并设计了一种两阶段融合策略。第一阶段将时间间隔注入每种模态（ID，image，和text），第二阶段从每种模态聚合用户偏好以获得用户的序列偏好。为此，我们建立了一个模型无关的多模态序列推荐框架，即时间间隔感知多模态序列推荐器（short for TMMSRec）。四个真实世界数据集上的实证验证证明了我们方法的有效性，在与几个最先进的基准相比时，性能改进最多可达到16.05%。我们的代码可在https://github.com/wangpp0602/TMMSRec获得。
原文链接
分解、思考与行动：用推理证据交互增强图减轻大型语言模型的幻觉
原标题：Decomposition, Think and Action: Alleviating Hallucinations of Large Language Models with Reasoning–Evidence Interactive Augmented Graph
作者：Yi Sui；Chaozhuo Li；Litian Zhang；Dawei Song；Haiming Liu
期刊：ACM Transactions on Information Systems
出版时间：2026/07/02
摘要：幻觉仍然是大型语言模型（LLMs）领域泛化能力和可靠性的一大障碍。近期的方法通过将检索增强生成（RAG）与逐步推理过程相结合来解决这一问题，从而迭代地检索知识。然而，随意引入外部知识可能会干扰推理，增加延迟并放大错误累积。此外，现有方法依赖于外部知识单向流入LLMs，而忽视了内部与外部知识的协同作用，限制了自主推理能力。为了解决这些限制，我们提出了一种推理-证据交互增强图（Reasoning–Evidence Interactive Augmented Graph，RE-IAG），该框架通过阶段触发机制和结构化互动将推理与证据相结合。RE-IAG 在不确定性下通过自适应分支进行中间推理的局部细化，并在内部推理停滞时选择性触发检索。它将内部推理和检索到的证据都组织成对齐的图结构，从而能够进行结构引导的验证以及中间结论的精细化修正。该设计将检索从被动增强转变为对推理的主动约束，减少错误传播，缓解知识冲突，并改进知识整合以减轻幻觉问题。广泛的实验表明，在四个多跳问答基准上，RE-IAG优于自适应RAG基线，实现了与基于强化学习的方法相当或更优的性能，并展示了在模型规模和架构之间强大的鲁棒性和泛化能力。
原文链接
