重新思考 LLM 增强型协同过滤中的语义对齐：一种频谱解耦方法

LLM 增强推荐的最新进展通常将语义表示与共享空间中的协作嵌入对齐，但对齐如何影响 LLM 编码信息仍不清楚。在这项工作中，我们从频谱角度重新审视 LLM 增强推荐，并表明协作和语义信号受益于不同的频谱部分。虽然由于用户项同质性，协作表示以平滑低频分量为主，但语义嵌入包含有用的非主要奇异分量。通过按组件评估和训练动态分析，我们发现对齐越来越集中在主要协作和主要语义子空间中的学习表示，减少与非主要语义组件的重叠。受控比较表明，非主要组件在对齐下提供不一致的增益，但通过组件级解耦不断提高性能，而完全预测级解耦实现了最佳整体性能。这些结果表明对齐未能有效地利用互补的非主要语义信息。受这些发现的启发，我们提出了 UniSpecRec（统一频谱信号进行推荐），它应用特定于信号的频谱过滤，同时保留各自空间中的协作和语义表示。 UniSpecRec 结合了他们的预测，无需跨空间对齐或额外的可训练参数。大量的实验证明了其有效性、效率和普遍性。