Catalog-Native LLM: Sprekende Item-ID-dialecten met minder verstrengeling voor aanbevelingen
Author
Venue
ICLR 2026
Abstract
Hoewel collaboratieve filtering voorspellende nauwkeurigheid en efficiëntie biedt, en Large Language Models (LLM's) expressief en generaliseerbaar redeneren mogelijk maken, moeten moderne aanbevelingssystemen deze sterke punten samenbrengen. Toenemende verwachtingen van gebruikers, zoals zoekopdrachten in natuurlijke taal en transparante uitleg, benadrukken nog eens de noodzaak van een uniforme aanpak. Dit is echter geen sinecure. Collaboratieve signalen zijn vaak token-efficiënt maar semantisch ondoorzichtig, terwijl LLM's semantisch rijk zijn maar moeite hebben om impliciete gebruikersvoorkeuren te modelleren wanneer ze alleen op tekstuele input zijn getraind. Dit artikel introduceert Item-ID + Natural-language Mixture-of-Experts Language Model (IDIOMoE), dat de interactiegeschiedenis van items behandelt als een inheems dialect binnen de taalruimte, waardoor collaboratieve signalen op dezelfde manier kunnen worden begrepen als natuurlijke taal. Door het Feed Forward Network van elk blok van een vooraf getraind LLM op te splitsen in een afzonderlijke tekstexpert en een itemexpert met token-type gating, vermijdt onze methode destructieve interferentie tussen tekst- en catalogusmodaliteiten. IDIOMoE levert sterke aanbevelingsprestaties voor zowel openbare als eigen datasets, terwijl het tekstbegrip van het vooraf getrainde model behouden blijft.
