2026-11-12 周四 · 生成式推荐

今日场景今天这条赛道只有一篇论文,讲的是怎么检验大模型推荐的候选集合对不对。作者拿学习路径推荐做例子,用题目之间的先修关系算出每个学生下一步能学的全部题目,再拿大模型的推荐去比。结果很清楚:模型自己从描述里推结构,错得很多;把结构直接写进提示,几乎都能对上。哪个模型最好也随提示和主题变化。用大模型做推荐时,能用规则算出来的部分最好显式给它,或者干脆自己算。 — 评分 14 篇,入选 1 篇,分数 3.55 – 3.55

LEAD STORY · 今日必读

Benchmarking LLM Next-Step Recommendations with Knowledge Space Theory

让大模型给学生推荐下一步学哪道题,它能不能把能学的题列全,又不混进还没到时候的题?作者用知识空间理论把这件事变成能自动打分的题:先修全都掌握、本身还没学的题,就是标准答案。在几家主流模型和线性函数的几个主题上测下来,只给题目描述时,推荐集合和标准答案完全一致的只有 61.3%。让模型先自己推出先修关系再推荐,几乎没有提升。直接把先修关系写进提示,就升到 96.3%。模型自己补出来的结构帮不上忙,显式给出的结构才有用。哪个模型最好也随提示和主题变化。对做推荐的人来说,能用规则算出来的候选集合,就别指望大模型自己推出来。

相关 3新颖 3实用 4证据 4时效 5
3.55
综合分 / 5
偏好调整 3.55
Peter Steiner, Jan Hochweber · 2026-11-11 · arXiv

其他赛道今日

点击切换

开源雷达

GitHub / HuggingFace 热门 · 5 个项目