CRAMER: Control via Request-Aware Masking for Editing Recommenders

📄 arXiv: 2608.25370v1 📥 PDF

作者: Zhiyuan Julian Su, Naihe Feng, Zhen Luther Qin, Ga Wu

分类: cs.IR, cs.AI, cs.LG

发布日期: 2026-08-26

备注: Accepted by ICML 2026

💡 一句话要点

提出CRAMER框架以解决推荐系统对用户请求响应不足的问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 序列推荐 用户请求适应 控制信号 请求感知掩蔽 个性化推荐

📋 核心要点

  1. 现有序列推荐模型在响应用户即时请求时灵活性不足，难以快速适应用户的变化需求。
  2. CRAMER框架通过请求感知掩蔽，将用户请求视为控制信号，调节冻结的主干参数，实现即时适应。
  3. 实验结果显示，CRAMER在多个基准数据集上超越了四个最先进的基线，且计算开销极小。

📝 摘要（中文）

序列推荐模型虽然强大，但在响应用户即时请求方面灵活性有限，难以适应用户的及时兴趣。现有的用户请求适应方法往往需要高计算开销，导致其在大规模推荐服务中的适用性受限。本文提出了基于请求感知掩蔽的控制框架CRAMER，该框架通过将用户的自然语言请求视为控制信号，调节冻结的主干参数，从而实现对序列推荐模型行为的即时适应。实验结果表明，CRAMER在多个大规模基准数据集上超越了四个最先进的请求感知基线，同时实现了最小的开销，展现了增强的可控性和跨领域适应性，为请求感知序列推荐建立了新的范式。

🔬 方法详解

问题定义：本文旨在解决现有序列推荐模型在用户请求响应方面的灵活性不足问题。现有方法通常需要重训练整个网络或依赖大型语言模型的推理能力，导致高计算开销，限制了其在大规模推荐服务中的应用。

核心思路：CRAMER框架的核心思想是将用户的自然语言请求视为控制信号，通过掩蔽技术调节冻结的主干参数，从而实现对推荐模型行为的即时适应。这种设计避免了重训练的高成本，同时提高了模型的灵活性。

技术框架：CRAMER的整体架构包括用户请求输入模块、控制信号生成模块和推荐模型调节模块。用户请求通过自然语言处理转化为控制信号，进而调节主干模型的参数，实现对推荐结果的即时修改。

关键创新：CRAMER的主要创新在于其请求感知掩蔽机制，能够在不重训练模型的情况下，快速响应用户请求。这一机制与现有方法的本质区别在于其高效性和灵活性。

关键设计：在关键设计方面，CRAMER采用了特定的掩蔽策略来调节主干参数，确保模型在处理不同请求时的适应性。同时，损失函数设计也考虑了请求的多样性，以提高推荐的准确性和相关性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CRAMER在多个大规模基准数据集上超越了四个最先进的请求感知基线，提升幅度显著，具体性能数据未详细说明，但整体表现优于现有方法，且计算开销极小，展现出良好的实用性。

🎯 应用场景

CRAMER框架具有广泛的应用潜力，尤其适用于电商、内容推荐和社交媒体等领域。在这些领域，用户的需求变化频繁，CRAMER能够快速调整推荐结果，提高用户满意度和参与度。未来，该框架还可能推动个性化推荐系统的发展，使其更加智能和高效。

📄 摘要（原文）

Sequential recommendation models, while powerful, have limited flexibility in responding to immediate user requests, making it difficult to adapt their recommendations to the user's timely interests. Unfortunately, existing user request adaptation methods often incur high computational overhead due to either 1) retraining the entire backbone network or 2) leveraging the inference ability of large language models (a.k.a. prompt engineering), limiting their applicability in large-scale recommendation services. This paper presents Control via Request-Aware Masking for Editing Recommenders (CRAMER), a framework that takes users' natural-language requests to immediately change sequential recommendation models' behavior. Specifically, inspired by the model control theory, CRAMER treats user requests as control signals to modulate frozen backbone parameters through masking, achieving instant adaptation to diverse requests while avoiding costly retraining. Experiments on multiple large-scale benchmark datasets show that CRAMER outperforms four state-of-the-art request-aware baselines across multiple recommendation metrics while achieving minimal overhead. Moreover, the proposed framework exhibits enhanced controllability and cross-domain adaptability, establishing a new paradigm for request-aware sequential recommendation.