面向 Connected TV 内容发现的 LLM 智能体推荐系统
An LLM-powered Agentic Recommendation System for Connected TV Content Discovery
该研究提出一套 LLM 驱动的智能体推荐系统，用于 Connected TV（CTV）内容发现，借助大语言模型的推理能力直接处理并融合趋势话题、突发新闻、文化事件、跨端用户行为等异构上下文信号，免去大量人工特征工程与定制数据管道。
作者：Lei Shi、Di Wang、Harry Tran、Helsing Xu、Yuchen Lu、Dhara Ghodasara、Wilson Chaney、Xueting Liao、Guohao Xiao、Jerry Yu、Huayu Ding、Reza Mirghaderi、David Fan、Qi Guo、Chongguang He、Warren Wang、Warren Deng、Mingze Gao、Shike Mei、Shuo Tang、Zhe Zhang、Jianming He、Abhishek Kumar、Haotian Wu、Hamed Firooz、Li Li
摘要：推荐系统，从传统的多阶段架构到近期的统一生成式架构，都面临着将多样化的上下文信号（如热门话题、突发新闻、文化事件和跨界面用户活动）纳入其排序流水线的挑战。这些系统旨在消费具有一致模式的结构化行为信号，缺乏自然处理非结构化或异构格式上下文信息的推理能力。纳入此类信号通常需要特征工程、定制数据流水线和精心调优的启发式方法。在本文中，我们提出了一种由 LLM 驱动的智能体推荐系统，专为联网电视（CTV）内容发现而设计，以解决这些局限。我们的系统利用大语言模型的推理能力，自然处理和综合跨不同模式和结构的多样化信号，消除了传统排序和检索系统中固有的许多手动集成工作。鉴于当前基于 LLM 的解决方案在若干推荐任务（包括检索效率、个性化精度和可扩展性）上仍不及传统机器学习模型，我们采用了一种智能体架构来编排专门组件，使每个子任务都能由最合适的方法处理，无论是基于 LLM 的还是传统 ML 的。这项工作的主要贡献是我们成功克服了将 LLM 用于推荐的实际限制（尤其是推理延迟）的工程方法。我们分享了工作中的见解，并讨论了在构建结合 LLM 灵活性与成熟推荐技术性能的混合系统时的权衡和经验教训。
| 评论： | USRW @ RecSys 2026 最佳论文 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.09988 [cs.IR] |
| （或 arXiv:2607.09988v4 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.09988 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Li Li [查看电子邮件]
[v1]
2026年7月10日星期五 21:28:43 UTC（636 KB）
[v2]
2026年7月21日星期二 17:50:44 UTC（636 KB）
[v3]
2026年7月22日星期三 17:27:17 UTC（636 KB）
[v4]
2026年10月10日星期六 22:09:26 UTC（438 KB）
来源：arXiv cs.AI · arxiv.org