分析重要内容：为 LLM 推荐器提供来自大规模元数据的上下文感知项目配置文件

虽然 大语言模型 (LLM) 在推荐方面的重新排名有了显着的进步，但有效利用项目端信息仍然具有挑战性。现实世界的项目是通过大量、异构和非结构化的元数据来描述的，其中与决策相关的信号通常是隐式的、有噪声的或隐藏在冗长的描述中。此外，特征显着性高度依赖于上下文，不仅因项目而异，而且因用户而异。现有的方法通常依赖于项目标题、固定属性或静态项目摘要，这限制了个性化和细粒度的项目理解。为了弥补这一差距，我们提出了 CAIRO，这是一个用户上下文感知的项目分析框架，用于基于 LLM 的重新排名。 CAIRO 首先将原始元数据和评论构建为客观特征和主观特征，并采用轻量级分析器以有限的服务时间开销为每个用户-项目对选择最相关的信息。生成的配置文件简洁且针对特定上下文，为 LLM 的排名决策提供相关的项目侧证据。实验表明，CAIRO 不断改进基于 LLM 的重新排名，突出了有效利用大量项目侧信息的项目分析的重要性。