CFALR：协作过滤增强型 大语言模型 用于个性化时尚服装推荐

个性化服装推荐对电子商务和社交媒体平台提出了重大挑战，需要系统平衡用户偏好与审美兼容性。协作过滤（CF）为此提供了传统的解决方案，但它难以应对数据稀疏的场景和复杂的用户-物品-服装关系。同时，现有的基于模板的方法受到严格的预先设计结构的限制。为了弥补这些研究差距，我们引入了 CFALR（协作过滤增强型 大语言模型 推荐），这是一种新颖的框架，可将协作过滤与 大语言模型 协同作用以进行个性化服装推荐。具体来说，CFALR 用自然语言描述用户服装交互，并利用 LLM 捕获时尚语义，同时采用 CF 增强的嵌入来桥接语义空间和协作交互空间。我们的技术贡献包括：（1）第一个基于 LLM 的架构，专门为个性化服装推荐而设计，（2）CF 增强生成机制，可有效导航服装项目的广泛组合空间，以及（3）可训练的投影层，可最佳地集成关系和内容特征。 Polyvore 和 IQON 基准测试表明，在个性化填空和个性化服装生成任务中，CFALR 比传统的基于 CF 和基于 LLM 的方法具有优越的性能。