HARP
一种免训练的LLM推荐框架,将推荐重新表述为代理通信过程,通过三个算子(对称物品画像、画像级同质性门控、单遍反思更新)解决用户与物品画像不对称问题,在冻结LLM主干上增强推荐能力。
时间轴 (近 90 天)
HARP将LLM推荐重新表述为包含四个阶段的代理通信过程:BUILD、TRANSMIT、UNDERSTAND、SYNC。
HARP是一个免训练、三算子扩展框架,附加在冻结的LLM主干上,不更新模型参数。
HARP的三个核心算子分别对应:规则提取的对称物品画像(解决单向BUILD)、通道可分解的画像级同质性H(φ_u, φ_i)在检索时消费(突破提示陷阱)、单遍反思更新(补上SYNC环节)。
HARP在四个公开基准(Yelp、Books、MovieTV、Goodreads)上,将Hit@1相比最强已发表基线提升了6.9%至24.0%。
在HARP的实验中,每个数据集上经Holm校正的p值均小于1e-9。
消融实验和逐案例归因研究显示,HARP的三个算子贡献互补增益,其中检索侧的门控是主要来源。
HARP的反思过程引入权衡,可能在某些场景下引入额外开销或噪声。
HARP的代码已在GitHub开源(https://github.com/Jove-Zhen/HARP)。
HARP的规则提取物品画像算子无需额外LLM调用,以零成本为物品生成自描述。
HARP的同质性函数H(φ_u, φ_i)用于度量用户画像与物品画像之间的匹配程度,在检索阶段对候选物品进行门控筛选,使画像信号直接参与召回。
还有 2 条时间轴事件
全部知识事实 (11)
HARP的单遍反思更新实现上下文内的画像演化,无需任何梯度步骤。
50%待验证HARP是一个免训练、三算子扩展框架,附加在冻结的LLM主干上,不更新模型参数。
50%待验证HARP的三个核心算子分别对应:规则提取的对称物品画像(解决单向BUILD)、通道可分解的画像级同质性H(φ_u, φ_i)在检索时消费(突破提示陷阱)、单遍反思更新(补上SYNC环节)。
50%待验证HARP在四个公开基准(Yelp、Books、MovieTV、Goodreads)上,将Hit@1相比最强已发表基线提升了6.9%至24.0%。
50%待验证在HARP的实验中,每个数据集上经Holm校正的p值均小于1e-9。
50%待验证消融实验和逐案例归因研究显示,HARP的三个算子贡献互补增益,其中检索侧的门控是主要来源。
50%待验证HARP的反思过程引入权衡,可能在某些场景下引入额外开销或噪声。
50%待验证HARP将LLM推荐重新表述为包含四个阶段的代理通信过程:BUILD、TRANSMIT、UNDERSTAND、SYNC。
50%待验证HARP的规则提取物品画像算子无需额外LLM调用,以零成本为物品生成自描述。
50%待验证HARP的同质性函数H(φ_u, φ_i)用于度量用户画像与物品画像之间的匹配程度,在检索阶段对候选物品进行门控筛选,使画像信号直接参与召回。
50%待验证HARP的代码已在GitHub开源(https://github.com/Jove-Zhen/HARP)。
50%