TRACER：LLM 增强型持续推荐的平衡稳定性-可塑性-认知三难困境

持续推荐旨在从流数据中捕获不断变化的用户兴趣，但在稀疏性方面遇到了困难。 LLM 增强器通过语义知识缓解了这一问题，但简单的集成会产生新的冲突。我们将其识别为稳定性-可塑性-认知（SPC）三难困境，其中广义的 LLM 语义先验（认知）与保留个性化历史偏好（稳定性）和适应个人兴趣转移（可塑性）相冲突。为了解决这个问题，我们提出了三难困境响应自适应持续增强推荐（TRACER）。 TRACER 协同结合了三个专门的模块，每个模块都针对稳定性、可塑性或认知性，同时防止任何单一引理占主导地位。这种整体设计使语义知识能够支持历史保留和适应不断变化的兴趣，而不会中断持续学习。在五个真实数据集上，TRACER 有效地协调了 SPC 困境，并且比最先进的基线性能高出 14.38%。我们的代码可在 https://github.com/woo-joo/TRACER_CIKM26 获取。