基于大语言模型的生成式推荐中的隐式推理

大语言模型（LLM）正逐渐成为生成式推荐（GR）的骨干，但其预训练世界知识的可靠调用仍不明晰。主要障碍在于语义 ID 破坏了 LLM 的自然语言推理接口。现有方法依赖昂贵的多阶段流程来获取显式理由，但缺乏对各阶段必要性的洞察。本文系统分解了显式推理训练流程，揭示其三大局限：世界知识言语化减弱、嵌入空间错位及对理由质量的敏感性。为此，我们提出 PauseRec，一种专为 GR 设计的轻量级隐式推理范式。该方法避免了高昂的理由获取与对齐训练，在性能上超越标准显式思维链方法达 6.22%，同时大幅降低训练成本并加速推理。