LLM 增强的重新排序用于互补产品推荐-计算机科学-大语言模型-图神经网络-机器学习.pdf

LLM增强的重新排序用于互补产品推荐

ZekunXu∗YudiZhang∗

NorthCarolinaStateUniversityIowaStateUniversity

Raleigh,NorthCarolina,USAAmes,Iowa,USA

摘要Keywords

互补产品推荐旨在建议一起使用以增强客户价值的项大语言模型,图神经网络,排序,补充产品推荐

目，这是电子商务中一个关键但具有挑战性的任务。ACMReferenceFormat:

虽然现有的图神经网络（GNN）方法在捕捉复杂的产ZekunXuandYudiZhang.2025.LLM增强的重新排序用于

品关系方面取得了显著进展，但它们通常难以平衡准互补产品推荐.InProceedingsofInProceedingsofSecondWork-

确性与多样性，特别是在处理长尾项目时尤为困难。shoponGenerativeAIforRecommenderSystemsandPersonaliza-

tion(GenAIRecP@KDD2025).ACM,NewYork,NY,USA,9pages.

本本文介绍了一种模型无关的方法，利用大型语言

/XXXXXXX.XXXXXXX

译模型（LLMs）来增强互补产品推荐的重新排序。与之

中前主要使用LLMs进行数据预处理和图增广的工作不

1同，我们的方法直接应用基于LLM的提示策略对从现1介绍

v有推荐模型检索到的候选项目进行重新排序，消除了在电子商务时代，有效的商品推荐系统对于客户满意

7

3重新训练模型的需求。度和企业成功都至关重要。虽然传统推荐系统擅长建

2

6通过在公共数据集上的广泛实验，我们展示了该议相似或替代产品，但推荐互补产品——即那些一起

1.方法有效地平衡了互补产品推荐中的准确性和多样性，使用以提升顾客价值的商品（例如相机与其镜头，或

7在所有数据集中前推荐项目的准确性指标平均提升了打印机与墨盒）——则面临更大的挑战和机遇。这样

0

5至少50%，多样性指标平均提升了2%。的推荐需要对产品关系、用例和客户需求有更深入的

2

:理解。准确识别并推荐互补产品对于改善用户体验和

v

iCCSConcepts最大化客户终身价值至关重要。然而传统模型通常表

x

r现不佳，特别是在长尾商品或冷启动场景中，历史购

a•Recommendersystems→GenAI.

买数据有限。

近年来，图神经网络（GNN）模型在解决互补产品

∗Bothauthorscontr