Beyond Semantics: Enhancing LLM-Based Sequential Recommendation With Explicit Sequential and Collaborative Modeling

Chao Wu

doi:10.1109/tbdata.2026.3748404

Beyond Semantics: Enhancing LLM-Based Sequential Recommendation With Explicit Sequential and Collaborative Modeling

2026-10-30

0

PRE

AI

DOI：10.1109/tbdata.2026.3748404

原文链接

摘要

En 中文

序列推荐需要准确建模历史交互序列中的物品转移动态以捕捉用户的微妙偏好。尽管近期研究已探索利用大型语言模型（LLMs）进行序列推荐，以发挥其强大的语义表示能力，但现有的基于LLM的方法在建模序列依赖关系和协同过滤信号方面往往效果有限。为解决这些局限性，我们提出了一种混合LLM增强型序列推荐框架，系统性地整合语义、序列和协同信号以学习用户-物品交互的表示。我们首先采用LLM对用户历史交互进行编码，生成富含知识的用户和物品语义表示。为明确解决LLM方法对序列交互信息建模不足的问题，我们引入了傅里叶双频编码器，该编码器捕捉用户交互序列中的低频偏好演化和高频物品转移模式，能够有效区分隐含在注意力机制中捕捉的物品共现模式之外的有意义行为顺序。此外，为恢复超越个体用户历史的协同过滤信号，我们基于所有用户交互序列构建全局协同图，并设计了加权图特征提取网络以跨用户建模物品-物品相关性。最后，采用混合适配器模块协同整合多视角表示进行推荐预测。在多个真实数据集上的广泛实验表明，我们的框架持续优于当前最先进的序列推荐方法，验证了联合建模语义、序列和协同信号的有效性。

Keyword:

Large language models

multi-view modeling

recommendation systems

sequential recommendation

Beyond Semantics: Enhancing LLM-Based Sequential Recommendation With Explicit Sequential and Collaborative Modeling

摘要

期刊

机构

引用论文