WWW 2025 | 中南、微软提出端到端双重动态推荐模型，释放LLM在序列推荐中的潜力...

©PaperWeekly 原创 · 作者 | 殷珺

单位 | 中南大学硕士研究生

研究方向 | 大语言模型、推荐系统

论文题目：

Unleash LLMs Potential for Sequential Recommendation by Coordinating Dual Dynamic Index Mechanism

论文链接：

https://openreview.net/pdf?id=GE71TxvTH3

代码链接：

https://github.com/Esperanto-mega/ED2

论文录用：

The ACM Web Conference Research Track 2025 (Oral)

摘要

由于大型语言模型（Large Language Models，LLMs）在语义理解和逻辑推理方面表现出前所未有的能力，它们在下一代序列推荐系统（Recommender Systems，RSs）的开发中展现出了巨大的潜力。

然而，现有的基于 LLM 的序列推荐系统大多将索引生成与序列推荐分离，这导致语义信息与协同信息的融合不够充分。此外，对用户相关信息的忽视限制了基于 LLM 的序列推荐系统对高阶用户-物品交互模式的挖掘。

为了解决上述问题，我们提出了端到端双重动态（End-to-End Dual Dynamic, ED²）推荐模型，这是首个采用双重动态索引机制的基于 LLM 的序列推荐系统。该机制不仅能够将索引生成和序列推荐整合到统一的 LLM 主干流程中，还使得基于 LLM 的序列推荐系统能够有效利用用户相关信息。

具体而言，为了提升 LLM 对双重动态索引的理解能力，我们提出了一种多粒度 Token 调节器，该调节器基于 LLMs 的语义知识，在多个表示粒度上构建对齐监督。此外，我们特别设计了用户集合数据及一系列新颖的指令微调任务，以捕捉高阶用户-物品交互模式。

在三个公开数据集上的广泛实验表明，ED² 的性能优越，在命中率（Hit-Rate）上平均提升 19.62%，在归一化折损累计增益（NDCG）上平均提升 21.11%。

动机