MATE：自适应长期和短期用户记忆，用于基于LLM的推荐

大语言模型（LLM）增强型推荐系统利用丰富的项目语义来支持个性化推荐。然而，语义表示本身并不能确定哪些历史行为反映了持久的偏好，哪些主要表明了最近的兴趣，从而导致用户理解的一个重要方面尚未解决。 LLM推理的最新进展表明，新可用的信息可用于细化推理过程中的内部状态，从而改进后续预测。受这一原则的启发，我们提出了 MATE（记忆 Adaptation with Temporal Evidence），这是一种用于LLM增强顺序推荐的自适应用户建模框架。 MATE 首先从两个时间角度评估每个新观察到的交互：它是否受到历史行为的重复支持以及它是否与最近的交互一致。由此产生的时间证据控制两个特定于用户的记忆的更新，其中长期记忆保守地保留持久偏好，而短期记忆快速适应最近的兴趣。对于每个推荐，最近上下文表示动态确定两个记忆对当前用户表示的贡献程度。在离线训练期间，下一项预测与时间监督联合优化，而在在线适应期间，共享模型保持固定，并且仅根据新观察到的交互更新两个用户记忆。在 MovieLens-10M、Amazon Luxury Beauty 和 KuaiRec 上进行的实验表明，MATE 将平均 NDCG@10 比最强的外部基线提高了 7.0--13.2%。进一步的分析支持其适应最近兴趣的能力，同时保留有关重复出现的早期偏好的有用信息。