CARA：认知自适应推荐代理

大语言模型 和基于代理的推荐框架的最新进展为更灵活和上下文感知的推荐带来了新的机会。然而，现有的方法仍然在很大程度上依赖于语义匹配、端到端生成或结构松散的代理工作流程，而没有明确建模用户偏好如何处理并转化为最终决策。为了解决这个限制，我们提出了 CARA，这是一种认知启发的推荐框架，它将推荐制定为结构化的决策过程。 CARA的核心直觉是用户决策是由两种互补机制共同塑造的：直观的情感偏好和深思熟虑的理性评估。因此，CARA 将推荐组织为两个协调的阶段：候选过滤（基于粗粒度偏好约束缩小搜索空间）和双视角决策建模（通过情感和理性判断捕获推荐决策）。我们进一步引入了一种边界感知 KTO 策略，该策略优先考虑模型偶尔可以解决但不一致的指令，从而增加信息偏好信号的密度。在三个 Amazon Reviews 域上进行的大量实验表明，CARA 在大多数评估指标上都实现了最佳性能，相对于基准提高了高达 10.15%。