LLaRD框架利用大型语言模型提升推荐系统去噪能力，有效提高推荐准确性。
原文标题：【WWW2025】释放大型语言模型在去噪推荐中的强大能力
原文作者：数据派THU
冷月清谈：
本文介绍了LLaRD框架，它利用大型语言模型（LLM）提升推荐系统去噪能力和推荐性能。推荐系统常依赖含噪声的隐式反馈数据，现有去噪方法受限于外部知识和交互数据，而LLaRD则利用LLM的知识和推理能力解决这个问题。LLaRD首先使用LLM丰富观测数据，推断用户偏好，生成去噪知识；然后，应用链式思维技术揭示用户-项目交互图中的关系知识；最后，利用信息瓶颈原理将LLM的去噪知识与推荐目标对齐，过滤噪声和无关信息。实验结果表明，LLaRD能有效提升去噪效果和推荐准确性。
怜星夜思：
1、LLaRD框架如何具体应用“链式思维”技术来揭示用户-项目交互图中的关系知识？
2、除了提到的信息瓶颈原理，还有什么方法可以过滤掉LLM生成的噪声和不相关知识？
3、LLaRD框架的应用场景有哪些局限性？在哪些情况下可能效果不佳？
2、除了提到的信息瓶颈原理，还有什么方法可以过滤掉LLM生成的噪声和不相关知识？
3、LLaRD框架的应用场景有哪些局限性？在哪些情况下可能效果不佳？
原文内容
来源：专知本文约1000字，建议阅读5分钟
本文提出了LLaRD框架，通过利用LLMs来改善推荐系统中的去噪，从而提升整体推荐性能。
推荐系统对于个性化用户体验至关重要，但通常依赖于隐式反馈数据，而这些数据可能噪声较大且具有误导性。现有的去噪研究涉及通过整合辅助信息或从交互数据中学习策略。然而，这些方法面临外部知识和交互数据固有的局限性，以及某些预定义假设的非普适性，导致无法准确识别噪声。近年来，大型语言模型（LLMs）因其广泛的世界知识和推理能力而受到关注，但它们在增强推荐系统中去噪方面的潜力仍未得到充分探索。本文提出了LLaRD框架，通过利用LLMs来改善推荐系统中的去噪，从而提升整体推荐性能。具体而言，LLaRD通过先使用LLMs丰富观测数据中的语义洞察，并推断用户-项目的偏好知识，来生成与去噪相关的知识。接着，它在用户-项目交互图上应用一种新颖的链式思维（Chain-of-Thought, CoT）技术，揭示与去噪相关的关系知识。最后，它应用信息瓶颈（Information Bottleneck, IB）原理，将LLM生成的去噪知识与推荐目标对齐，从而过滤掉噪声和不相关的LLM知识。实证结果证明，LLaRD在提升去噪和推荐准确性方面的有效性。代码可在 https://github.com/shuyao-wang/LLaRD 获取。
