К содержанию
Олег НагорныйRecSys2026
← Все темы

НаправлениеLLM

Языковые модели, диалог и агенты

Языковую модель ставят энкодером, планировщиком, памятью или оркестратором. Полезность зависит от роли в системе, а не от размера модели и не от наличия пошаговых рассуждений.

82 материалов с этим тегом · 26 с этой темой в качестве главной · в каталоге →

  1. 01

    Планировать языком не значит ранжировать языком

    PRTA изменяет персональные веса готовых рекомендателей, Hypothesis-Driven Shelf Generation формулирует замысел полки, а Melo ограничивает исполнение фиксированным графом инструментов. Во всех случаях язык управляет поведением других компонентов. Это отличается от свободной генерации объектов: каталог и поведенческий скоринг остаются опорами, а корректность плана и качество найденного результата требуют раздельных тестов.

  2. 02

    Профиль — это состояние с происхождением, а не красивый пересказ

    RECAP требует ссылок на события и обновляет жизненный цикл записей отдельной машиной состояния. Масштабные пользовательские персоны, напротив, работают асинхронно и влияют на будущие визиты. Inverse Theory of Mind сохраняет конкурирующие объяснения действия, тогда как Tasteprint разделяет наблюдение и интерпретацию между платформами. Ни уверенный текст, ни локальное хранение сами по себе не подтверждают истинность профиля или конфиденциальность его обработки. GRIP дополняет неизвестные поля из корреляций уже известных атрибутов, а не пересказывает подтверждённые события: происхождение предсказанного значения должно оставаться явным. DRSD предлагает другую границу доверия к языковой модели: новые отношения между новостями принимаются только после проверки вклада эксперта в валидационную потерю. Но такой отбор подтверждает полезность предиктора, не истинность названия отношения или индивидуального профиля.

  3. 03

    Автономный эксперимент не равен автономному доказательству

    RecEvolve накапливает удачные изменения, промышленный self-evolving цикл хранит журнал и ограничивает конфигурационные правки, а AutoRecLab проверяет исполнимость кода. AgentRec распределяет бюджет выбора модели внутри найденного пула. Эти системы автоматизируют разные участки исследования; общий риск — принять отбор по шумной оценке или успешный запуск за независимое подтверждение научного вывода.

Работы по теме

  1. 006

    Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation (BONSAI)

    #Генерация и семантические коды#Языковые модели, диалог и агенты
  2. 007

    BiLPR: Bidirectional Teacher-Student Agent Interaction for Context-Aware Learning Path Recommendation

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  3. 009

    Bridge the Unseen Gap: Enhancing Non-overlapping Cross-domain CTR Prediction via Profile Retrieval

    #Реклама и рекомендации#Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  4. 013

    Consensus vs. Dissent: Dynamic LLM Modeling of Subjective Preferences in Group Recommenders

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  5. 020

    Do We Really Need LLMs to Augment All? A Selective Augmentation Framework with Lightweight Language Models for Multimodal CTR Prediction

    #Реклама и рекомендации#Промышленное ранжирование и стоимость#Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи
  6. 023

    FASC: A Feature Aspect-Level Sentiment Consistency Framework for Explainable Recommendation Evaluation

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  7. 027

    GTP: Mitigating Popularity Bias in PLM-based Sequential Recommendation via Group-Aware Token Pruning

    #Контроль, объяснения и интересы участников#История, время и последовательности#Языковые модели, диалог и агенты
  8. 034

    Improving Rare Medication Recommendation with Counterfactual Data Augmentation and Large Language Models

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  9. 036

    Inverse Theory of Mind Modeling for Content Recommendation: From Web Browsing to Dynamic Intelligent Interfaces

    #Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  10. 040

    Membership Inference Attacks on In-Context Learning Recommendation

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  11. 047

    Reducing Perceived Polarization through Affect-Balanced News Reframing

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  12. 049

    SPEAR: Selection-aware Personalized End-to-end Adaptive Rewriting and Retrieval for Community Search

    #Промышленное ранжирование и стоимость#Языковые модели, диалог и агенты
  13. 050

    Safety-Aware Next-POI Recommendation with Large Language Models

    #Домены, группы и мультимодальные задачи#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  14. 051

    Simulating Diverse User Behavioral Stereotypes for Evaluating Agentic Conversational Recommenders

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  15. 052

    Stabilizing Stability and Plasticity in Graph-based Continual Recommender System

    #Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  16. 057

    The Utility of LLMs in Recommender Systems Explanation Evaluation

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  17. 068

    BookForYou: Leveraging BART-Generated Narrative Tropes for Content-Based Book Recommendations

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  18. 070

    Choosing What Matters: Query-Aware Multimodal Routing for Conversational Recommendation

    #Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи#Коллаборативность и геометрия представлений
  19. 076

    GradSup: Gradient Superposition for Personalised and Scalable LLM Recommendation

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  20. 079

    Interaction Modality and Trust: Investigating System-Driven Conversational Recommendation and Faceted Search

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  21. 080

    LLM-as-a-Judge for Evaluating System Responses in Conversational Music Recommendation

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи
  22. 081

    Personalized Recommendation Tool Learning via Autonomous Language Agents

    #Языковые модели, диалог и агенты#Коллаборативность и геометрия представлений#История, время и последовательности
  23. 082

    Position Bias Undermines Preference Consistency in Listwise LLM-Based Reranking

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  24. 084

    Probing the LLMs for Generating User Profile of Session-based Social Recommendation

    #Языковые модели, диалог и агенты#История, время и последовательности#Коллаборативность и геометрия представлений
  25. 085

    Scaling LLM-Enhanced Linear Autoencoders to Industrial-Size Catalogs

    #Промышленное ранжирование и стоимость#Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты
  26. 086

    Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation

    #Языковые модели, диалог и агенты#Коллаборативность и геометрия представлений#История, время и последовательности
  27. 091

    Exploiting ID-Text Complementarity via Ensembling for Sequential Recommendation

    #История, время и последовательности#Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты
  28. 093

    A Position Paper on Recommender Systems in the Era of Autonomous Agents

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость#Контроль, объяснения и интересы участников
  29. 094

    Backward and Inward: From Preferences to Personalization and the Safety Crisis Within Conversational Recommender Systems

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  30. 095

    Beyond Passive Preference Inference: User-Governed Preference Memory and Calibrated Initiative in Recommender Systems

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  31. 098

    Forward and Outward: From Aggregate to Individual and Towards Human Understanding in Conversational Recommendation

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  32. 099

    From Side Information and Knowledge Graphs to Large Language Models: Two Decades of Knowledge Integration in Recommender Systems

    #Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  33. 102

    The Underrated Catalyst: Advancing Critiquing Towards Steerable and Next-Generation LLM Recommendations.

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  34. 104

    User-Controlled Intent Layers for LLM-Mediated Personalization: A Research Agenda for Recommender Systems

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  35. 105

    Who Are We Recommending To? Recommender Systems in the Agentic Web

    #Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  36. 106

    Attacking and Defending Multi-Agent Collaborative Filtering Systems Through Connectivity

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Коллаборативность и геометрия представлений
  37. 113

    scikit-rec: A Unified, Extensible Recommendation Library with scikit-rec-agent, a Conversational Interface

    #Промышленное ранжирование и стоимость#Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  38. 114

    τ-Rec: A Verifiable Benchmark for Agentic Recommender Systems (τ-Rec)

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  39. 120

    Advancing Relevance Measurement with Vision–Language Models for Web-Scale Search

    #Оценка, причинность и достоверность вывода#Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  40. 123

    Bootstrapping Conversational Recommendation Agents At Spotify: Synthetic Data Generation and Self-Improvement Loops

    #Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода#Промышленное ранжирование и стоимость
  41. 130

    EGR: Embedding-Native Generative Retrieval with a Shared LLM

    #Языковые модели, диалог и агенты#Коллаборативность и геометрия представлений#Промышленное ранжирование и стоимость
  42. 137

    Generative Spatiotemporal Intent Sequence Recommendation via Implicit Reasoning in Amap

    #Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи#Промышленное ранжирование и стоимость
  43. 138

    GRIP: Generation and Reasoning for User Profile Completion

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  44. 144

    Hypothesis-Driven Shelf Generation for Personalised Recommendation

    #Языковые модели, диалог и агенты#Генерация и семантические коды#Промышленное ранжирование и стоимость
  45. 145

    IDProxy: Cold-Start CTR Prediction for Ads and Recommendation at Xiaohongshu with Multimodal LLMs

    #Реклама и рекомендации#Промышленное ранжирование и стоимость#Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи
  46. 147

    LLM Reasoning for Subjective Tasks: Failure Modes, Mitigation, and Dynamic Reasoning Routing

    #Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода
  47. 148

    LLM-Based Re-Ranking for Real Estate Search

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость#Домены, группы и мультимодальные задачи
  48. 149

    LLM-Based User Personas for Recommendations at Scale

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  49. 156

    Melo: A Production LLM-Powered Music Recommendation Agent

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость#Домены, группы и мультимодальные задачи
  50. 162

    Multilingual Semantic Retrieval for Apple Music Search

    #Промышленное ранжирование и стоимость#Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  51. 167

    Personalizing Incremental Video Search with Hybrid Text and ID Embeddings

    #Промышленное ранжирование и стоимость#Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты
  52. 170

    RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation

    #Языковые модели, диалог и агенты#История, время и последовательности#Промышленное ранжирование и стоимость
  53. 173

    RecEvolve: A Knowledge-Driven Autonomous Agent System for Recommender Systems

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  54. 174

    SMART: LLM-Augmented Hybrid Retrieval for Dynamic Product Ads

    #Реклама и рекомендации#Промышленное ранжирование и стоимость#Языковые модели, диалог и агенты
  55. 176

    Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  56. 178

    Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  57. 190

    TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery

    #Промышленное ранжирование и стоимость#История, время и последовательности#Языковые модели, диалог и агенты
  58. 198

    Which LLM to Fine-Tune? Agent-Driven Model Selection at Scale

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость#Оценка, причинность и достоверность вывода
  59. 199

    Blended User Embeddings for Steerable Matrix Factorization

    #Контроль, объяснения и интересы участников#Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты
  60. 204

    Do SID Alignments Help Generative Recommendation? A Research and Practice Note on OpenOneRec Diagnostics

    #Генерация и семантические коды#Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода
  61. 208

    How Faithful Is the Reasoning of LLM Recommenders? A Counterfactual Audit

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  62. 209

    In-Batch Negatives Can Silently Cripple LLM-Encoded Sequential Recommenders

    #История, время и последовательности#Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода
  63. 210

    Intent-Description Anchoring Bias in LLM-as-a-Judge Evaluation of Recommender Systems

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  64. 220

    SERA: A Multi-Dimensional Evaluation Framework for Retail Agentic Shopping Assistants

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  65. 222

    Should I Be Polite to My LLM Relevance Judge? Tone as a Severity Operating-Point Shift

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  66. 223

    Sparse Autoencoders as Semantic Domain Adapters for Recommender Systems

    #Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты
  67. 225

    Towards Dynamic Relationship Schema Discovery for Complementary News Recommendation

    #Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи#Оценка, причинность и достоверность вывода
  68. 228

    When Should Recommender Systems Not Act?

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  69. 232

    AutoRecLab: An Autonomous Recommender Systems Lab

    #Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода
  70. 235

    Conversational Recommendation over Live E-Commerce Catalogues with Self-Refreshing Retrieval

    #Промышленное ранжирование и стоимость#Языковые модели, диалог и агенты
  71. 239

    How Would You Like Your Recommendations? p-book, a Self-Recommending Living Book That Teaches How Recommender Systems Work

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  72. 240

    Loom: LLM-Powered Naturally Embedded Recommendation

    #Реклама и рекомендации#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  73. 241

    Lumi: An LLM-Grounded System for Safety-Aware POI Recommendations

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  74. 243

    ReBait: From Clickbait to Informed Choice in Live News Recommendation Feeds

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи
  75. 247

    Tasteprint: Cross-Platform Recommendation Agent

    #Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  76. 248

    ValueVet: Auditing Recommender Systems for Fairness and Value Alignment Using Constitutional AI Principles

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  77. 249

    WiseFood: A Multi-Task Conversational Recommender for Trustworthy, Integrated, and Personalized Dietary Guidance

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  78. 250

    A Design-Space Approach to Robust Agentic Conversational Recommendation

    #Языковые модели, диалог и агенты#Оценка, причинность и достоверность вывода
  79. 255

    Teaching Recommenders to Listen: Bidirectional Natural-Language Control for Personalized News

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи
  80. 259

    What Reasoning Should a Recommender Have? Designing Reasoning for Inference-Time Scaling in Recommendation

    #История, время и последовательности#Языковые модели, диалог и агенты
  81. 261

    Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval

    #Промышленное ранжирование и стоимость#Языковые модели, диалог и агенты
  82. 262

    Multi-Modal Semantic Expansion with Constrained LLM Reranking for Conversational Music Recommendation

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
RecSys2026

Разборы работ RecSys 2026 · обновлено 2026-10-16.