TATK：基于 LLM 的顺序推荐的基于知识验证的三重感知 Top-K 学习

基于 LLM 的顺序推荐器通常将下一项预测作为文本生成，但此接口与全目录 top-K 排名的匹配度很差。我们提出了 TATK，一个三重感知框架，它将 Top-K 学习 (TKL) 与基于知识的验证 (KGV) 结合起来，用于基于 LLM 的顺序推荐。 Top-K 学习将情境感知的元数据 KG 提示基础与位置感知的 Top-K 奖励相结合，使训练与排名实用性保持一致；然后，基于知识的验证使用相同的元数据派生项目图，在单个 LLM 前向传递后对前 M 个候选者应用结构感知重新排名。我们根据匹配的 R2ec 风格的完整目录协议对 2023 年亚马逊评论中的乐器、CD 和黑胶唱片以及视频游戏进行了 TATK 评估。实验使用 Gemma-2-2B-It 和 Qwen2.5-3B-Instruct 主干，与顺序、生成、KG 增强和推理增强基线进行比较，并包括组件、奖励形状、序列扰动、重新排序、关系质量和候选池诊断。 TATK 在所有 36 个报告指标上都比匹配的 R2ec 再现有所改进。在 NDCG@10 上，它在三个数据集上将 Qwen 提高了 8.05%、4.26% 和 3.78%，将 Gemma 提高了 27.03%、10.52% 和 10.23%，同时将推理延迟保持在 Base RecPO 延迟的 1.17 倍之内。诊断表明，结构证据对于具有可靠 KG 支持的可恢复的 top-M 候选者最有用，并且在元数据关系稀疏或嘈杂时应进行门控。