L2Rec：走向LLM的双视图理解以实现个性化推荐

要使 大语言模型 (LLM) 适应个性化推荐，需要将其通用功能与用户特定的偏好相结合，同时有效地利用行为和语义信号。现有的方法通常在输入级别（例如，将行为嵌入注入到词元空间中）或输出级别（例如，单独编码器的对比对齐）集成这些信号，但受到分布差距或缺乏端到端任务监督的影响。在这项工作中，我们引入了 L2Rec，它在 LLM 的参数级别上统一了行为和语义理解。我们的主要见解是，同一组 Transformer 参数可以作为两个视图的共享媒介：通过双视图个性化专家混合 (DPMoE) 机制应用特定于视图的个性化低秩扰动，L2Rec 使单个 LLM 主干能够为每个用户产生互补的行为和语义适应，同时最小化表示级别的错位。自适应跨视图融合模块进一步将双视图输出集成为统一的用户偏好。对四个数据集的实验表明，L2Rec 始终优于最先进的基线，并且在大型工业平台上进行的在线 A/B 测试验证了关键参与度指标的显着改进。