推荐系统真正「懂你」：快手团队在NeurIPS 2025提出新成果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。

论文标题：Who You Are Matters: Bridging Topics and Social Roles via LLM-Enhanced Logical Recommendation论文： http://arxiv.org/abs/2505.10940代码： https://github.com/Code2Q/TagCF

背景和动机

用户理解：A Missing Formulation

图 2

当推荐系统通过统计模型学出两个内容之间的关联并据此进行推荐时，这种关联背后往往隐藏着用户角色这一「混杂因素」。如图2 所示，headset-symphonist-violin 的关联关系，实则来源于「交响乐手」这一用户角色；在电商场景中，「啤酒-新晋奶爸-尿布」的经典案例同样印证了这一点。相比基于 ID 的传统隐式建模，引入user role视角让推荐系统得以更清晰地理解用户，从而迈向显式的可解释推荐演进。

另一方面，当需要建模 topic-topic 关联时，本身可以将其当作 topic-role-topic 关联的结果图。这意味着引入 user role 的建模方式在逻辑上更具通用性与表达能力。这种通用的协同行为建模，不仅能捕捉那些统计方法难以识别的弱交互，还能精准建模并有逻辑地突破用户的信息茧房（后文有验证）。

并且，团队还通过实验发现，基于 user role 的建模在统计意义上优于传统的 topic 建模，不仅具备更稳定的空间，也能带来更显著的推荐效果提升。

综上所述，一个更有效的推荐系统需要有能力通过用户与物料之间的交互数据，学习到用户是一个什么样的人，并找到涉及用户角色的通用的原则性的客观逻辑规律。