AdaRec: Adaptive Recommendation with LLMs via Narrative Profiling and Dual-Channel Reasoning
Meiyun Wang and Charin Polpanumas
我们提出了AdaRec,这是一个很少见的上下文内学习框架,利用大型语言模型进行自适应个性化推荐。 AdaRec引入了叙事分析,将用户-项目交互转化为自然语言表示,以实现统一的任务处理并增强人类的可读性。 以双变量推理范式为中心,AdaRec采用双通道架构,集成了水平行为对齐,发现同行驱动的模式,具有垂直因果归因,突出了用户偏好背后的决定性因素。 与现有的基于LLM的方法不同,AdaRec通过语义表示消除了手动特征工程,并支持以最小的监督进行快速交叉任务适应。 对真实电子商务数据集的实验表明,AdaRec在很少的设置中优于机器学习模型和基于LLM的基线,最高可达8%。 在零拍摄场景中,它比专家制作的分析提高了19%,以最小的交互数据展示了长尾个性化的有效性。 此外,AdaRec生成的合成数据上的轻量级微调与完全微调模型的性能相匹配,突出了其在不同任务中的效率和推广。
We propose AdaRec, a few-shot in-context learning framework that leverages large language models for an adaptive personalized recommendation. AdaRec introduces narrative profiling, transforming user-item interactions into natural language representations to enable unified task handling and enhance human readability. Centered on a bivariate reasoning paradigm, AdaRec employs a dual-channel architecture that integrates horizontal behavioral alignment, discovering peer-driven patterns, with vertica...