论文
CogRec：融合大型语言模型与 Soar 的认知推荐 Agent，面向可解释推荐
CogRec: A Cognitive Recommender Agent Fusing Large Language Models and Soar for Explainable Recommendation
摘要
大型语言模型（LLM）在理解推荐系统用户偏好方面展现出卓越能力。然而，它们受制于若干关键挑战，包括固有的“黑箱”特性、易受知识幻觉影响以及有限的在线学习能力。这些因素损害了它们的可信度和适应性。相反，Soar 等认知架构提供结构化、可解释的推理过程，但其知识获取出了名地费时费力。为应对这些互补的挑战，我们提出一种新型认知推荐 Agent CogRec，将 LLM 与 Soar 认知架构的优势相结合。CogRec 以 Soar 作为核心符号推理引擎，并利用 LLM 进行知识初始化，用产生式规则填充其工作记忆。该 Agent 在感知—认知—行动（PCA）循环上运行。遇到僵局时，它动态查询 LLM 以获得经过推理的解决方案。该方案随后经 Soar 的分块（chunking）机制转化为新的符号产生式规则，从而实现稳健的在线学习。这种学习范式使 Agent 能够持续演化其知识库，并为推荐提供高度可解释的理由。在三个公开数据集上的大量评估表明，CogRec 在推荐准确性、可解释性以及应对长尾问题的有效性方面具有显著优势。
