《Journal of Theoretical and Applied Electronic Commerce Research》：Enhancing Personalized E-Commerce Recommendations Under the User–Agent–Platform Paradigm: An LLM-Driven Method
编辑推荐：
推荐系统已广泛应用于电子商务、社交媒体及内容分发领域，但基于大语言模型（Large Language Model, LLM）的推荐工作流仍面临数据完整性不足、样本均衡性欠缺及输出稳定性受限等共性挑战。传统“用户–平台”二元架构亦限制了用户侧对曝光机制与偏好表达
推荐系统已广泛应用于电子商务、社交媒体及内容分发领域，但基于大语言模型（Large Language Model, LLM）的推荐工作流仍面临数据完整性不足、样本均衡性欠缺及输出稳定性受限等共性挑战。传统“用户–平台”二元架构亦限制了用户侧对曝光机制与偏好表达的介导空间。研究人员提出ABP工作流，作为用户–智能体–平台（User–Agent–Platform）框架下i2Agent的扩展方案，包含三大模块：自适应描述增强（Adaptive Description Enrichment, ADE）、批次平衡采样策略（Batch-balanced Sampling Strategy, BSS）与提示词驱动工作流优化（Prompt-driven Workflow Optimization, PWO）。ADE通过生成更丰富的自然语言描述修复缺失或僵化的商品文本信息；BSS为UserProfile构建提供均衡的对比输入；PWO通过结构化输出约束强化多阶段推理过程。在四个真实世界数据集上的实验表明，ABP在既定实验协议下取得了优异的排序性能。在16组数据集–指标对中，ABP的五次运行均值相较i2Agent平均相对提升24.62%，在Amazon Book与Amazon Movietv数据集上增益尤为显著。在固定五次运行协议下，ABP在Amazon Book、Amazon Movietv及Yelp数据集上表现出有限的运行间离散度，Goodreads数据集虽波动略大但仍处于可控范围。研究结果表明，在既定设置下，精心设计的工作流改进可在维持智能体作为用户–智能体–平台框架中用户侧介导层角色的同时，有效提升基于LLM的推荐质量。
该研究发表于《Journal of Theoretical and Applied Electronic Commerce Research》。研究背景显示，推荐系统作为电子商务等领域的核心技术，已从传统算法演进至深度语义理解阶段。尽管基于ID的序列模型能有效捕捉物品转移规律，但存在语义鸿沟问题；引入语义的方法虽利用了世界知识，却多局限于静态排序，缺乏动态交互能力。随后兴起的智能体方法虽整合了推理与外部工具调用，但多聚焦于平台侧商业指标优化，忽视了用户中心视角。作为基线模型的i2Agent虽引入了“用户–智能体–平台”框架，但仍存在数据不完整、采样失衡与工作流不稳定三大瓶颈。为此，研究人员开展了ABP工作流的研发，旨在通过对数据表征、采样策略及提示词设计的协同优化，突破现有局限。研究证实，ABP在四个公开数据集上均展现出显著的性能优势，特别是在数据稀疏场景下，其通过修复语义缺口与优化对比学习边界，大幅提升了推荐精度与输出稳定性，为LLM在推荐系统的落地应用提供了新的工作流范式。
作者采用的关键技术方法包括：基于GPT-4o-mini构建核心推荐智能体，采用INSTRUCTREC基准衍生的四个公开数据集（Amazon Book、Amazon Movietv、Goodreads、Yelp）开展实验，实施留一法评估策略。核心技术涵盖ADE模块的缺失值填补与异常值优化双路径策略，利用商品标题与用户评论生成或重写描述文本；BSS模块的批次内正负样本1:1均衡采样机制，结合两阶段对话流程构建鲁棒的用户静态画像；PWO模块的结构化输出约束与选择性上下文保留机制，通过强制JSON格式输出降低解析错误率。
研究结果部分如下：
2.1 自适应描述增强（ADE）：研究人员设计了检测后路由的确定性规则，针对描述字段为空或仅为刚性元数据的情况分别采取生成式补全与语义重写策略。实验证明，ADE能将稀疏的属性字典转化为连贯的自然语言描述，为下游推理提供更优质的文本输入，其输出对应带_description后缀的数据集变体。
2.2 批次平衡采样策略（BSS）：为解决负样本稀缺导致的用户画像偏差，研究人员构建了正负样本数量相等的平衡输入组，并采用两阶段对话机制。第一阶段进行组内对比选择并记录拒绝特征，第二阶段融合选择上下文与正样本深度内容生成静态画像。该方法遵循对比学习原理，有效强化了用户偏好的决策边界。
2.3 提示词驱动工作流优化（PWO）：针对LLM输出的随机性与幻觉问题，研究人员在全流程中集成了结构化输出约束。在候选生成阶段强制单键JSON格式输出，在结果重排序阶段引入选择性上下文保留机制，仅返回核心偏好更新而非完整原始对话。日志审计显示，该方法使JSON解析成功率达到99.94%，显著提升了工作流的稳定性。
讨论与结论部分指出，ABP作为i2Agent的工作流级扩展，通过三大模块的协同作用，在四个数据集上实现了相较于基线模型的平均24.62%的相对提升，其中稀疏数据集Amazon Book的HR@1提升达74.68%。五次重复实验表明，除Goodreads因API超时压力导致方差略大外，其余数据集均表现出优异的运行稳定性。研究同时观测到用户自主权代理（User Autonomy Proxy）等日志级描述符的变化，证实了智能体在用户侧介导的有效性。未来工作将拓展至人口统计公平性评估、多模态输入及更广泛的协议对齐基线筛选。研究结论强调，在既定实验设置下，ABP通过优化数据质量、采样偏差与输出一致性，不仅提升了排序准确性，更在用户–智能体–平台范式下确立了以用户为中心的推荐工作流优化路径。
