DeepInterestGR：利用多模態大語言模型挖掘深層興趣的生成式推薦框架
arXiv - Computers and SocietyYangchen Zeng, Zhenyu Yu, Zhiyuan Hu, Wenxin Zhang, Jinze Wang, Rongfeng Guo
提出 DeepInterestGR 框架，透過多模態 LLM 挖掘用戶深層動機，顯著提升生成式推薦的精準度與解釋性。
AI 幫你先抓重點
AI 重點 1
從「表面特徵」轉向「深層動機」的推薦範式轉移
滑鼠懸停看 AI 判斷理由
傳統推薦系統往往只看用戶點擊了什麼，而忽略了「為什麼」點擊。透過 LLM 挖掘潛在動機，能讓 AI 從單純的模式匹配進化為理解用戶意圖，這對於需要高度個性化的學習路徑規劃至關重要。
AI 重點 2
結合結構化推理與強化學習的訓練流程
滑鼠懸停看 AI 判斷理由
研究結合了結構化提示（Reasoning Prompting）與 GRPO 強化學習，這證明了在生成式任務中，不僅要給予數據，更要透過「獎勵機制」引導模型理解複雜的語義邏輯，這為未來開發高層次 AI 導師提供了技術路徑。
核心研究發現
- 1
在 Amazon 三大基準測試中，DeepInterestGR 的 HR@10 指標較最強基準提升了 5.8%-8.3%，NDCG@10 則提升了 7.7%-9.9%。
- 2
該模型展現了強大的跨領域泛化能力，在跨領域推薦任務中的表現提升了 24.8%。
- 3
透過整合多 LLM 興趣挖掘（MLIM）與興趣增強項目離散化（IEID），成功解決了生成式推薦中僅依賴表面文本特徵的「淺層興趣」問題。
對教育工作者的啟發
對於開發智慧學習平台的設計者而言，此研究啟發我們不應僅根據學生的歷史答題紀錄（表面行為）來推薦教材，而應利用 LLM 分析學生學習過程中的反饋、筆記或討論內容（深層興趣與動機）。透過挖掘學生「為什麼遇到困難」或「對什麼主題感興趣」的深層語義，可以建構更具解釋性且精準的個人化學習路徑，從而實現真正的適應性學習（Adaptive Learning）。
原始文獻資訊
- 英文標題：
- DeepInterestGR: Mining Deep Multi-Interest Using Multi-Modal LLMs for Generative Recommendation
- 作者：
- Yangchen Zeng, Zhenyu Yu, Zhiyuan Hu, Wenxin Zhang, Jinze Wang, Rongfeng Guo
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。