Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation

📄 arXiv: 2608.06632v1 📥 PDF

作者: Ziyun Xu, Bosen Ding, Yue Zhang, Ji Qi, Qingyuan Song, Jizhou Huang, Liwei Wang, Jefferey Santelli, Yue Weng, Qichao Que, Zhenheng Yang, Junfeng Pan, Linhong Zhu

分类: cs.AI

发布日期: 2026-08-06

备注: Accepted in RecSys 2026 Industrial Track

💡 一句话要点

提出基于LLM的SYF系统以解决推荐系统用户偏好表达不足问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 推荐系统 用户偏好 多模态输入 实时调整 语义档案 直接偏好优化 LLM

📋 核心要点

  1. 现有推荐系统主要依赖用户的隐式行为信号，无法有效捕捉用户的显式偏好，导致推荐结果与用户期望存在差距。
  2. 本文提出的SYF框架通过多模态输入实时捕捉用户意图，并利用持久的语义档案进行候选项的重新排序和修剪。
  3. 实验结果表明，SYF的对齐评分模块准确率高达98.85%，并在在线实验中显著提升了推荐的相关性和用户满意度。

📝 摘要（中文）

现有的工业推荐系统主要采用被动排名范式，通过隐式行为信号（如点击、停留时间）推断用户偏好，而非通过显式的自然语言输入。这导致用户在表达细微偏好时与被动算法之间存在持续差距。为了解决这一问题，本文提出了Shape Your Feed（SYF），一个基于LLM的主动推荐框架，支持实时的多模态内容共同策划。SYF采用三层架构：感知流、服务流和自我进化流，能够实时调整推荐内容并与用户偏好保持一致。离线评估显示，SYF的对齐评分模块准确率达到98.85%，在线A/B实验进一步证明了其在提升推荐相关性和用户情感方面的有效性。

🔬 方法详解

问题定义：本文旨在解决现有推荐系统在捕捉用户显式偏好方面的不足，尤其是用户无法实时表达细微兴趣的问题。现有方法主要依赖隐式行为信号，导致推荐结果与用户期望不符。

核心思路：SYF框架通过引入多模态输入（文本提示、语音命令、用户界面交互）来捕捉用户的细粒度意图，并通过持久的语义档案进行动态调整，以实现用户主动引导的推荐。

技术框架：SYF采用三层架构：感知流负责捕捉用户意图，服务流进行实时的候选项重新排序和修剪，自我进化流通过直接偏好优化（DPO）与LLM作为评判者的集成来对齐系统行为与用户判断。

关键创新：最重要的创新在于引入了多模态输入与持久语义档案的结合，使得推荐系统能够实时响应用户的显式偏好，区别于传统的被动推荐方法。

关键设计：在设计中，SYF采用了对齐评分模块，利用DPO优化用户偏好的表达，并通过LLM评估推荐结果的相关性，确保系统能够持续适应用户的变化需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SYF的对齐评分模块准确率达到98.85%，显著优于强基线模型。此外，在线A/B实验表明，SYF在推荐相关性和用户情感方面均有显著提升，验证了其在实际应用中的有效性和可扩展性。

🎯 应用场景

该研究的潜在应用场景包括电商平台、社交媒体和内容推荐系统等领域，能够帮助用户更精准地表达和实现其偏好，提升用户体验。未来，SYF框架有望推动个性化推荐的发展，使用户在信息过载的环境中更有效地获取所需内容。

📄 摘要（原文）

Industrial recommendation systems predominantly adopt a passive ranking paradigm that infers user preferences from implicit behavioral signals (e.g., clicks, dwell time) rather than explicit, natural language inputs. As a result, users experience a persistent discrepancy between their explicit interests and what passive behavioral algorithms deliver, limiting their ability to express nuanced preferences or steer their feed in real time. To address this growing gap between how recommendations are optimized and how users wish to articulate their interests, we present Shape Your Feed (SYF), an LLM-based agentic recommendation framework that enables real-time, multimodal co-curation of content. SYF employs a three-tier architecture: (i) a Perception Flow that captures fine-grained user intent from text prompts, voice commands, and UI interactions; (ii) a Serving Flow that performs real-time agentic re-ranking and pruning of candidate items, grounded in a persistent Semantic Profile encoding evolving user preferences; and (iii) a Self-Evolution Flow that aligns system behavior with human judgments via Direct Preference Optimization (DPO) and an LLM-as-a-Judge ensemble. Offline evaluations show that SYF's alignment scoring module achieves 98.85% accuracy, substantially improving over strong few-shot baselines. Large-scale online A/B experiments on production traffic further demonstrate that SYF improves feed relevance and user sentiment, indicating a practical and scalable path toward interactive, user-steerable recommendation in industrial settings.