02 3.10
On Reasoning Behind Next Occupation Recommendation
SMU本文研究「下一个职业推荐」任务下 LLM 的推理能力如何影响生成式推荐结果。作者提出 reason-then-recommend 两步框架：reason generator 基于用户教育和职业历史先生成一段中间「推理理由」，再将其作为输入交给 occupation predictor 生成下一个职业。研究采用 oracle reason 蒸馏微调小模型，并从 factuality（事实性）、coherence（连贯性）、utility（实用性）三个维度系统评估推理质量。实验显示该方法在 LinkedIn 类公开数据集上达到与全监督方法相当的预测精度，且预测准确率与 reason 质量呈显著正相关。论文被 PAKDD 2026 接收。
INSIGHT这篇论文提供了一个验证「reason-then-recommend」范式中关键变量的实证基础：决定下游推荐质量的不是 reason 是否存在，而是 reason 的 factuality 与 utility 是否够高。对实践的启示是：在 LLM-as-recommender 落地时，与其无脑加 chain-of-thought，不如先用一个能保证事实性的小模型蒸馏出高质量 reason，再交给推荐模型。同时三维评估框架（factuality/coherence/utility）也可直接迁移到电商商品推荐、内容兴趣推荐等场景的 reason 质量监控。
Shan Dong, Palakorn Achananuparp, Hieu Hien Mai, Lei Wang, Yao Lu, Ee-Peng Lim
arXiv·2026-04-23·Relevance 3 · Novelty 3 · Practical 3 · Evidence 3 · Timely 4