CogRec: A Cognitive Recommender Agent Fusing Large Language Models and Soar for Explainable Recommendation

📄 arXiv: 2512.24113v1 📥 PDF

作者: Jiaxin Hu, Tao Wang, Bingsan Yang, Hongrun Wang

分类: cs.AI, cs.IR

发布日期: 2025-12-30

备注: 9 pages, 6 figures

💡 一句话要点

CogRec：融合大语言模型与Soar认知架构的可解释推荐智能体

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

关键词: 推荐系统 大语言模型 认知架构 Soar 可解释性 在线学习 长尾问题

📋 核心要点

  1. 现有推荐系统中的大语言模型存在黑盒特性、知识幻觉和在线学习能力不足等问题，影响了其可信度和适应性。
  2. CogRec融合LLM和Soar认知架构，利用Soar进行符号推理，LLM进行知识初始化，通过感知-认知-行动循环进行推荐。
  3. 实验结果表明，CogRec在推荐准确性、可解释性和解决长尾问题方面均优于现有方法，具有显著优势。

📝 摘要（中文）

本文提出了一种名为CogRec的认知推荐智能体，它结合了大语言模型（LLMs）和Soar认知架构的优势，以解决推荐系统中LLM的“黑盒”特性、知识幻觉和有限的在线学习能力等问题。CogRec利用Soar作为核心符号推理引擎，并利用LLM进行知识初始化，用产生式规则填充其工作记忆。该智能体在感知-认知-行动（PCA）循环中运行，当遇到僵局时，动态查询LLM以获得合理的解决方案。然后，通过Soar的chunking机制将该解决方案转换为新的符号产生式规则，从而实现强大的在线学习。这种学习范式使智能体能够不断发展其知识库，并为其推荐提供高度可解释的理由。在三个公共数据集上进行的大量评估表明，CogRec在推荐准确性、可解释性以及解决长尾问题方面表现出显著优势。

🔬 方法详解

问题定义：现有基于大语言模型的推荐系统面临三大挑战：一是“黑盒”特性导致推荐结果缺乏可解释性；二是容易产生知识幻觉，导致推荐不准确；三是缺乏有效的在线学习能力，难以适应用户偏好的动态变化。这些问题限制了LLM在推荐系统中的应用。

核心思路：CogRec的核心思路是将LLM的知识获取能力与Soar认知架构的符号推理能力相结合。利用LLM初始化Soar的知识库，然后通过Soar的推理过程进行推荐，并利用Soar的chunking机制进行在线学习，从而提高推荐的准确性和可解释性。

技术框架：CogRec的整体架构基于感知-认知-行动（PCA）循环。首先，智能体感知用户和物品的信息（Perception）。然后，利用Soar认知架构进行推理，生成推荐结果（Cognition）。最后，智能体执行推荐行动（Action）。当Soar遇到推理僵局时，会动态查询LLM以获得解决方案，并将该解决方案转化为新的产生式规则，加入到Soar的知识库中。

关键创新：CogRec的关键创新在于将LLM和Soar认知架构进行了深度融合。与传统的基于LLM的推荐系统相比，CogRec具有更强的可解释性和在线学习能力。与传统的基于认知架构的推荐系统相比，CogRec能够更有效地获取知识。

关键设计：CogRec的关键设计包括：1) 使用LLM进行知识初始化，生成Soar的初始产生式规则；2) 使用Soar的chunking机制进行在线学习，不断更新知识库；3) 设计了感知-认知-行动循环，使智能体能够与环境进行交互；4) 设计了僵局处理机制，当Soar遇到推理僵局时，能够动态查询LLM。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在三个公共数据集上的实验结果表明，CogRec在推荐准确性方面优于现有的推荐算法，并且能够提供可解释的推荐理由。此外，CogRec在解决长尾问题方面也表现出显著优势，能够更有效地推荐长尾物品。

🎯 应用场景

CogRec可应用于各种推荐场景，例如电商推荐、电影推荐、音乐推荐等。其可解释性使得用户更容易信任推荐结果，在线学习能力使其能够适应用户偏好的动态变化。未来，CogRec有望成为一种更智能、更可信的推荐系统。

📄 摘要（原文）

Large Language Models (LLMs) have demonstrated a remarkable capacity in understanding user preferences for recommendation systems. However, they are constrained by several critical challenges, including their inherent "Black-Box" characteristics, susceptibility to knowledge hallucination, and limited online learning capacity. These factors compromise their trustworthiness and adaptability. Conversely, cognitive architectures such as Soar offer structured and interpretable reasoning processes, yet their knowledge acquisition is notoriously laborious. To address these complementary challenges, we propose a novel cognitive recommender agent called CogRec which synergizes the strengths of LLMs with the Soar cognitive architecture. CogRec leverages Soar as its core symbolic reasoning engine and leverages an LLM for knowledge initialization to populate its working memory with production rules. The agent operates on a Perception-Cognition-Action(PCA) cycle. Upon encountering an impasse, it dynamically queries the LLM to obtain a reasoned solution. This solution is subsequently transformed into a new symbolic production rule via Soar's chunking mechanism, thereby enabling robust online learning. This learning paradigm allows the agent to continuously evolve its knowledge base and furnish highly interpretable rationales for its recommendations. Extensive evaluations conducted on three public datasets demonstrate that CogRec demonstrates significant advantages in recommendation accuracy, explainability, and its efficacy in addressing the long-tail problem.