基于 LLM 推荐的直觉引导潜在推理

大语言模型 (LLM) 在复杂的问题解决任务中展示了令人印象深刻的推理能力，激励其在推荐系统中使用偏好推理。潜在推理在连续的隐藏空间而不是离散的标记中运行，最近已成为基于 LLM 的推荐的有前途的范例。然而，现有的方法通常从不受​​约束的推理点开始，其中隐藏表示与目标项嵌入不一致，导致推理轨迹不理想。受认知神经科学的启发，认知神经科学表明人类的多步推理是由直觉作为潜在先验来指导的，我们提出了 \emph{IntuRec}，这是一个两阶段框架，它将潜在推理与 \emph{推荐直觉} 锚定。在提取阶段，基于 LLM 的推荐器根据用户历史作为直觉来源生成 top-$K$ 候选集。在注入阶段，使用自注意力和交叉注意力机制将候选集转化为偏好对齐的直觉嵌入，初始化推理起点并指导后续的潜在推理。通过提供基于语义的起点，IntuRec 沿着更准确的推理轨迹有效地探索偏好空间。对多个真实世界数据集的大量实验表明，IntuRec 的性能始终优于最先进的基线。我们在 https://github.com/Ten-Mao/IntuRec 发布了我们的代码。