LLMAR：适用于稀疏和文本丰富的工业领域的免调优推荐框架

工业 B2B 应用程序（例如建筑工地风险预测、材料采购）面临着极端的数据稀疏性，但具有丰富的文本交互功能。在这种环境中，传统的基于 ID 的协同过滤由于缺乏共现信号而失败，而 微调 标准 大语言模型 (LLM) 会产生高昂的运营成本，并与频繁的数据漂移作斗争。我们提出LLMAR（LLM-AnnotatedRecommendation），一个免调优框架。 LLMAR 超越了简单的嵌入，系统地集成了 LLM 推理，无需任何训练过程即可捕获用户的“潜在动机”。我们介绍了三个核心贡献：（1）推理驱动注释：使用 LLM 将行为历史转换为结构化语义动机，实现基于 ID 的方法无法实现的基于推理的匹配； （2）反射循环：一种自我修正机制，可以细化生成的查询，以减轻幻觉并解决过去历史和当前指令之间的“上下文竞争”； (3) 经济高效的架构：依靠免调优组件和异步批处理来最大限度地降低维护成本。对公共基准（MovieLens-1M、Amazon Prime Pantry）和稀疏工业数据集（施工风险预测）的评估表明，LLMAR 的性能优于最先进的基于学习的模型 (SASRecF)，在工业数据集上实现了高达 54.6% 的 nDCG@10 改进。推理成本仍然非常实用（每 1,000 个用户约 1 美元）。对于严格的实时延迟并不重要的 B2B 领域，将 LLM 推理与自我验证相结合，在准确性、可解释性和运营成本方面提供了优于基于训练的方法的替代方案。