来源：ICIS 2025
作者：Kejun Chen等
单位：TsinghuaUniversity, KuaishouTechnology,
发表时间：2025 年 10月
一、研究背景
- 短视频平台与推荐系统的现状
平台高度依赖推荐系统帮助用户从海量内容中筛选感兴趣视频。
当前主流推荐系统主要基于行为信号，例如点击、观看时长、点赞、转发等，目标是最大化短期用户参与度。
2. 人类价值观在决策中的核心作用
跨学科研究（心理学、消费者行为学、决策科学等）一致表明：人类行为深受个人价值观影响。
论文采用 Schwartz 价值观理论作为理论基础，该理论将人类价值观归纳为19个维度（如自我导向、享乐主义、仁爱、普世主义等），代表个体或群体认为“生活中什么是重要的”
这篇文章是从“行为驱动”转向“价值驱动”的推荐范式，利用LLM挖掘短视频中隐含的价值信号，并将其融入推荐算法，以实现更深层、更持久、更人性化的用户体验。
二、主要框架
- 基于角色的价值提取
（1）输入准备
视频表示：使用平台自研的多模态大模型（fine-tuned multimodal LLM）为每个短视频生成文本描述（video caption），作为后续分析的基础。
用户角色（Persona）：利用同一多模态模型，对每个视频生成8–10个“可能喜欢该视频的用户类型”标签（如“年轻职场女性”“环保主义者”“传统文化爱好者”等），构成用户角色库。
2. LLM提示工程
设计结构化提示（prompt），引导 LLM（使用 Qwen2.5-7B）模拟特定用户角色，并基于 Schwartz 理论判断该角色会从视频中感知到哪些价值。
提示包含五个关键组件：
Persona：指定模拟的用户类型；
Objective：明确任务目标（“请判断该视频体现了哪些价值观”）；
Schwartz 价值理论介绍：列出全部19个价值及其动机性定义；
Chain-of-Thought 指令：要求模型逐步推理（如“先理解视频内容 → 联系用户身份 → 匹配价值维度”）；
Video Description：输入由多模态模型生成的视频文本描述。
示例输出：对于一个展示乡村教师坚守岗位的视频，模拟“教育工作者”角色的 LLM 可能输出：Benevolence-caring, Tradition, Universalism-concern。
3. 价值向量化
对每个视频，汇总其在所有关联用户角色下的 LLM 输出；
构建一个 19维二值向量：若任一角色在多次采样中提及某价值，则对应维度设为1，否则为0
三、实验
- 将价值特征融入推荐模型
| 模型 | 特点 | 增强方式 |
| SASRec | 基于 Transformer 的序列推荐模型，通过自注意力机制捕捉用户行为序列中的依赖关系 | 将19维价值向量作为视频的额外特征，与原始 item embedding 拼接后输入模型 |
| FDSA | 在 item-level 和 feature-level 分别建模的深度自注意力模型，支持异构特征融合 | 将价值特征视为一类新的“语义特征”，通过独立的特征级注意力模块处理 |
- 评估方法
（1）人工评估 LLM 的价值提取能力
招募3名社会科学/管理学背景的研究生作为标注员；
先对10个视频进行共识标注训练，再独立标注100个视频，采用多数投票确定“人类标准答案”；
LLM 被设定为相同背景的“研究生”角色，并对每个视频-角色对运行10次（采样多样性）；
计算 LLM 输出与人工标注在 Top-K 下的 Recall、Precision、F1、Hit Ratio。
结果：F1-score 达 0.762（K=1），表明 LLM 能较准确模拟人类的价值感知。
- 核心实验结果
（2）计算实验验证推荐性能提升
数据集：来自中国某头部短视频平台（日活7.36亿）；
时间窗口：2025年4月1–14日；
用户：31,444人（每人≥30次长观看行为）；
视频：27,952个（每个≥10次交互）；
总交互：278,176条“长观看”行为（视为正样本）；
划分：训练/验证/测试 = 8:1:1；
指标：GAUC（Group-wise AUC）、Recall@20、Precision@20；
对比模型：SASRec vs. SASRec+value；FDSA vs. FDSA+value。
结果：加入价值特征后，所有指标均显著提升（如 SASRec GAUC 从 0.7719 → 0.7833）。
四、总结与综合对齐思考
（一）论文核心内容
这篇论文提出一种基于LLM的短视频推荐方法，通过识别视频中隐含的用户感知价值观（依据 Schwartz 的19个价值维度），将这些价值特征融入现有推荐模型（如 SASRec、FDSA），实现“价值对齐”的个性化推荐，为下一代“以人为本”的推荐系统提供了新范式。其核心贡献包括：
首次用 LLM 自动提取短视频中的价值观：不依赖人工标注，而是让 LLM 模拟不同用户角色（persona），结合 Schwartz 价值理论，从视频文本描述中推理出用户可能感知到的价值。
构建可扩展的价值对齐推荐框架：将提取出的19维价值向量作为新特征，无缝集成进主流序列推荐模型，显著提升 GAUC、Recall@20 等指标。
五、三维度对齐思考
1.0 技术创新-逻辑思维推理框架
这篇论文证实了利用 LLM 模拟特定用户角色来推断内容隐性特征”是科学且有效的
。可以借鉴其思路，在比选推理中的健康维度：单纯靠营养数据的向量匹配是不够的，可以像该论文利用 LLM 提取视频中抽象的“价值观”那样 ，利用 LLM 结合用户画像去深度推理食谱中难以量化的“执行可行性”和“深度健康语义” 。
2.1 技术目标-专业手册公众服务
构建出高对比比较对：通过框架的检索-排序-LLM推理的pipeline，将高质量的健康候选产品送入比较对推理部分，构建（锚点食谱、候选产品1，候选产品2）的迭代逻辑比选，最终选择出最优食品。
3.1 场景功能-食养通
在pk比选这个部分进行应用，针对用户选中的食品，在系统中自动推出结合用户个性化的更健康产品，并展示出对比性解释说明提升推荐效果。