来源：WWW ’25
作者：JINGTONG GAO、BO CHEN等
单位：香港城市大学、华为诺亚方舟实验室
发表时间：2025 年 4月

研究背景

推荐系统中“重排”的重要性与局限性
单一目标的局限： 传统的重排模型大多只关注准确性（Accuracy）（即推荐用户最可能点击/购买的物品）。虽然准确，但这往往忽略了推荐系统的其他重要维度。
多维度需求的缺失： 在实际应用中，除了准确，我们还需要考虑：
多样性（Diversity）： 避免推荐列表全是同质化的物品，让用户看到更丰富的内容。
公平性（Fairness）： 确保不同类别或卖家的商品能获得公平的曝光机会，避免算法偏见

大语言模型（LLMs）带来的新机遇与挑战
LLMs 具有强大的语义理解能力：相比于传统模型，LLMs 能更好地理解物品属性和用户偏好之间的复杂语义关系。
语义鸿沟（Semantic Gap）： 准确性、多样性、公平性等不同维度之间存在巨大的语义差异，现有模型难以在一个统一的语义空间中同时衡量它们。
缺乏灵活性： 现有的 LLM 应用（如 RankGPT 或 Graph of Thoughts）往往遵循固定的推理路径，缺乏根据“特定目标（Goal）”动态调整推理步骤的能力。

这篇文章提出LLM4Rerank —— 为了解决传统重排模型无法灵活兼顾准确性、多样性、公平性等多重目标的痛点

利用大语言模型强大的语义理解和推理能力，让模型能像人一样，根据用户设定的目标，自动思考并决定如何组合这些不同的重排维度。

主要框架

LLM4Rerank将重排问题抽象为一个在函数图上的自动推理过程，通过节点和边来组织不同的重排目标和步骤。

1、输入与输出：
框架接收用户信息、候选物品列表以及一个描述重排目标的“Goal”句子作为输入，最终输出一个经过多维度优化的重排列表。
2、 核心思想：
将不同的重排目标（如准确性、多样性）抽象为图中的“节点”，通过构建一个全连接的“函数图”，让LLM在图上进行自动推理和跳转，逐步优化推荐列表。
3、 关键组件：
框架主要由三部分构成：定义了具体重排任务的“节点”、记录推理过程的“历史重排池”以及指导整个推理方向的“Goal”。

核心组件

1、节点（Node）：
代表一个具体的重排步骤，如“准确性重排”、“多样性重排”或“回退”等。每个节点都包含一个特定的提示模板，用于指导LLM完成特定任务。
2、 历史重排池（Pool）：
一个用于存储每次节点推理后得到的重排列表的缓存区。它为后续的推理步骤提供了上下文和参考，使模型能够基于历史结果进行更全面的判断。
3、 目标（Goal）
一个由用户提供的自然语言句子，用于定义本次重排的核心关注点。例如，“请优先考虑多样性”或“在保证准确的基础上兼顾公平”。

实验

实验设置
数据集：ML-1M、KuaiRand、Douban-Movie
对比方法：
传统的学习模型：GMF (基础排序), DLCM, PRM (侧重准确性), MMR, FastDPP (侧重多样性), FairRec (侧重公平性)。
LLM基线模型 ：RankGPT (侧重准确性), GoT (Graph of Thoughts，固定路径的思维图)。
准确性 (Accuracy)：
HR (Hit Ratio)： 衡量推荐列表中是否包含用户喜欢的物品。
NDCG (Normalized Discounted Cumulative Gain)： 衡量推荐列表的排序质量，位置越靠前权重越高。
多样性 (Diversity)：
α -NDCG： 在 NDCG 的基础上引入了多样性惩罚项，用于衡量推荐列表中物品属性的覆盖程度（避免同质化）。
公平性 (Fairness)：
MAD (Mean Absolute Difference)： 计算不同群体（如长视频 vs 短视频）在推荐结果中的平均评分差异。注意：MAD 值越低越好，代表不同群体曝光越公平。
使用的LLM：Llama-2-13B

总体性能

传统的单一目标模型（如只做准确性的 DLCM 或只做多样性的 MMR）往往顾此失彼。
GoT (Graph of Thoughts) 虽然也用了 LLM，但因为是固定路径（Accuracy -> Diversity -> Fairness），表现不如 LLM4Rerank。

消融实验

移除历史池（-H）：性能出现明显下降。这证明了历史重排池对于模型进行连贯、有依据的推理至关重要，它提供了全局视野。
移除自动推理（-AR）：
性能同样大幅下降。这验证了动态调整推理路径的必要性，固定的路径无法应对复杂的、多目标的重排需求。
移除其他节点（-N）：
性能下降，尤其是在多样性和公平性指标上。这说明了框架的全面性，丰富的节点类型是实现多维度优化的基础。

总结与综合对齐思考

（一）论文核心内容

这篇论文针对传统重排模型难以灵活兼顾准确性、多样性及公平性等多重目标的难题，提出了一种基于大语言模型（LLM）的自动重排框架（LLM4Rerank）。其核心贡献包括：
动态路径规划机制：摒弃了固定流水线的处理方式，引入包含准确性、多样性、公平性等节点的动态图结构。模型能根据输入目标自动规划最优推理路径，并支持“回退”操作以修正不佳的重排步骤，实现了类似人类的反思与纠错能力。
开源模型驱动的高效重排：框架基于开源的 Llama-2-13B 模型构建，验证了无需依赖闭源 GPT 系列也能实现高性能的重排。实验表明，其推理效率显著优于同类图推理方法（如 GoT），仅增加少量时间成本即可获得性能的大幅提升。

（二）三维度对齐思考

1.0 方法创新点-逻辑思维推理框架
这篇论文摒弃了传统的固定流水线架构，转而采用基于动态图的推理机制。结合自身论文，针对候选食谱的三维度（场景、健康、执行）评估，可以并非简单的顺序执行，而是构建了一个具备自适应能力的决策图，模拟人类“犹豫-思考-决断”的动态路径规划。
2.0 技术目标点-跨域知识结构对齐
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，这篇论文提出的动态图的推理机制，也启发在比选的时候遇到平局时的额外处理机制。
3.0 中试产品点-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。