Enhancing Sequential Recommendation with World Knowledge from Large Language Models

文章核心总结与翻译

一、主要内容

本文针对传统序列推荐系统（SRS）依赖ID嵌入、协同信号有限，以及现有大语言模型（LLM）增强方法易受幻觉影响的问题，提出了GRASP（Generation Augmented Retrieval with Holistic Attention for Sequential Prediction）框架。该框架通过两大核心模块协同工作：

1. 生成增强检索（Generation Augmented Retrieval）：利用LLM生成用户和物品的语义描述，构建离线语义嵌入数据库，通过最近邻检索获取Top-k相似用户/物品的聚合嵌入，补充稀疏交互场景下的特征信息；
2. 整体注意力增强（Holistic Attention Enhancement）：采用多级注意力机制（细粒度用户-物品注意力、相似用户/物品组注意力、全局注意力），将检索到的辅助信息与原始嵌入融合，避免直接使用LLM生成内容作为监督信号带来的噪声干扰。

实验在Amazon Beauty、Fashion两个公开数据集和Industry-100K工业数据集上验证，GRASP与GRU4Rec、BERT4Rec、SASRec等主流骨干模型结合后，在NDCG和HR指标上均达到SOTA性能，尤其在长尾用户/物品场景中表现突出，同时具备工业部署的高效性。

二、创新点

1. 提出灵活通用的框架：可正交集成于现有序列推荐骨干模型，既补充LLM的世界知识，又规避幻觉带来的噪声引导问题；</