领域感知自提示框架DASP：基于自然语言解释的跨域序列推荐新范式

本文推荐：该研究提出领域感知自提示框架（DASP），通过领域不变自提示生成器（对比对齐跨域用户偏好）、轻量级域适配器（元学习初始化）及跨域解释生成器（基于LLM语义对齐），显著提升跨域序列推荐（CDSR）性能。实验显示在HR@10和NDCG@10指标上分别提升10.7%和10.5%，训练时间减少54%，生成解释的ROUGE-L F1和BLEU-4分别提高17.3%和41.2%，为多域推荐系统提供高效可解释解决方案。

　　

Highlight

DASP框架通过三大创新突破跨域推荐瓶颈：

1. 领域不变自提示生成器：利用对比学习（contrastive alignment）捕获跨域共享用户偏好，解决领域偏移（domain shift）问题；

2. 轻量级域适配器：采用元学习（meta-learning）初始化，仅需少量目标域数据即可高效适配，参数效率提升54%；

3. 跨域解释生成器：基于大语言模型（LLM）生成语义连贯的多域理由，如"您喜欢的电影《星际穿越》与厨房工具‘真空密封罐’均体现对科学精密性的偏好"，ROUGE-L F1分数提升17.3%。

Case Study

如表10所示，DASP生成的解释在关键词密度（如"科幻电影→烘焙工具"）和语义连贯性上显著优于基线模型。传统方法（如PETER、XRec）仅能输出单域片段式解释，而DASP通过多域提示对齐，实现如"您在电影域的高评分科幻片与食品域购买的分子料理套件，共同反映对前沿科技的兴趣"这类跨域推理。

Conclusions

DASP通过三重架构——领域不变性学习、轻量适配和LLM语义 grounding，为跨域推荐系统树立了新标准。未来将扩展至动态域关系建模和医疗健康等垂直领域，进一步验证其在稀疏数据场景（如罕见病用药推荐）的迁移能力。

（注：翻译部分已去除文献引用标识，关键术语保留原文大小写如"LLM"，上下标使用¹⁰/_d格式，未使用HTML/SVG标签）