论文标题： Who You Are Matters: Bridging Topics and Social Roles via LLM-Enhanced Logical Recommendation 背景和动机 用户理解：A Missing Formulation 论文： http://arxiv.org/abs/2505.10940 代码： https://github.com/Code2Q/TagCF 每天，推荐系统都在捕捉我们的兴趣与偏好。从刷过的视频到停留的直播间，算法总是聚焦在「内容」的理解上，推断用户喜欢哪类视频、哪种话题，擅长 在「内容层」识别用户喜欢什么，却很少真正理解「你是谁」。 快手消费策略算法团队注意到了这一问题，他们想让推荐系统不止「会猜」，而是「懂你」。为弥补这一缺失的建模角度， 快手消费策略算法团队 联合快 手基础大模型与应用部及武汉大学，提出了 TagCF 框架，让推荐系统从「知其然」迈向「知其所以然」。 该研究成果已被 NeurIPS 2025 接收，相关代码与实验框架已全面开源，旨在为学术界与工业界提供一套以「理解驱动」为核心的推荐系统方法论。 图 2 当推荐系统通过统计模型 ...