Reasoning with Evidence, Not Merely Rationales: Verifiable Preference Proofs for LLM-Based Recommendation

📄 arXiv: 2610.02968v1 📥 PDF

作者: Yu Hou, Nathaniel Kang, Pengkai Wang, Hua Li

分类: cs.AI

发布日期: 2026-10-02

💡 一句话要点

提出PROVE-REC以解决LLM推荐中的证据与偏好不一致问题

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

关键词: 推荐系统 偏好推理 证据验证 大型语言模型 个性化推荐 透明度 用户体验

📋 核心要点

  1. 现有的LLM推荐方法在生成的推理与实际使用的信息之间存在差距，导致推荐效果不佳。
  2. PROVE-REC框架通过将用户历史记录转化为偏好证明，确保推荐过程依赖于有效证据，增强了推荐的可信度。
  3. 在广泛的真实数据集上，PROVE-REC的性能优于强基线，验证了其有效性和创新性，提升幅度最高达到7.45%。

📝 摘要（中文）

大型语言模型（LLMs）能够从用户的交互历史和评论中推断用户偏好，但它们生成的推理可能并不反映实际用于推荐的信息。本文提出了PROVE-REC，一个用于LLM推荐的可验证偏好推理框架。该框架通过将完整的历史记录转换为紧凑的偏好证明，并在推荐过程中仅使用该证明和选定证据，来解决证据与偏好之间的差距。实验结果表明，PROVE-REC在多个真实数据集上表现优于现有基线，提升幅度可达7.45%。

🔬 方法详解

问题定义：本文旨在解决LLM推荐中证据与偏好之间的不一致性，现有方法可能导致推荐结果缺乏可信度和有效性。

核心思路：PROVE-REC通过构建可验证的偏好证明，确保推荐过程依赖于真实的历史证据，从而提高推荐的准确性和透明度。

技术框架：该框架分为两个主要阶段：第一阶段（Pass A）将完整的历史记录转化为偏好证明，第二阶段（Pass B）仅使用该证明和选定证据进行推荐。

关键创新：PROVE-REC的创新之处在于引入了偏好证明的概念，并通过验证机制确保推荐的有效性，这与传统方法的直接推荐方式形成鲜明对比。

关键设计：在设计上，使用了排名保持目标以保留有用信息，并通过对比实验验证了证据与证明之间的关联性和证明对推荐的影响。具体的损失函数和网络结构细节在实验中进行了优化。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

PROVE-REC在多个真实数据集上的实验结果显示，其性能优于强基线，提升幅度最高可达7.45%。通过控制消融实验，验证了双通道架构和验证目标的有效性，确保了推荐的可信度和准确性。

🎯 应用场景

该研究的潜在应用领域包括电子商务、内容推荐和社交媒体等，能够提升用户体验和推荐系统的透明度。通过提供可验证的推荐依据，用户能够更好地理解推荐结果，从而增强对系统的信任。未来，该方法可扩展到更多领域，推动个性化推荐的发展。

📄 摘要（原文）

Large language models (LLMs) can infer user preferences from interaction histories and reviews, yet the rationales they generate may not reflect the information actually used for recommendation. A preference claim may be weakly supported by its selected evidence, or may have little effect on the final ranking. We refer to these two failures as the grounding-influence gap. We introduce PROVE-REC, a general framework for verifiable preference reasoning in LLM-based recommendation. Pass A converts the complete pre-target history into a compact preference proof consisting of positive and avoidance claims linked to selected evidence entries. Pass B predicts the next item using only the proof and its selected evidence, preventing the recommender from bypassing the reasoning path. To verify evidence-to-proof grounding, we compare the effect of masking selected evidence with masking a comparable control entry. To verify proof-to-recommendation influence, we remove a preference claim and measure the resulting decrease in the target item's ranking margin. A ranking-preservation objective further retains useful information from the complete history. Comprehensive experiments on wide-ranging real-world datasets demonstrate that PROVE-REC consistently outperforms strong sequential, generative, and LLM-enhanced baselines, with improvements of up to 7.45%. Controlled ablations confirm the effectiveness of the two-pass architecture and verification objectives. Moreover, PROVE-REC produces claims that are more strongly grounded in historical evidence and more influential to recommendation while preserving ranking quality.