日前，實(shí)驗(yàn)室博士生劉家豪作為第一作者的論文Filtering Discomforting Recommendations with Large Language Models被The ACM Web Conference 2025 會議錄用。

個性化算法可能會無意中將用戶暴露于令人不適的推薦內(nèi)容中，從而可能引發(fā)負(fù)面后果。不適感的主觀性及算法的黑箱特性使得有效識別和過濾此類內(nèi)容頗具挑戰(zhàn)。為解決這一問題，我們首先開展了一項(xiàng)形成性研究，以了解用戶在過濾不適推薦內(nèi)容方面的實(shí)踐與期望。隨后，我們設(shè)計了一款基于大語言模型的工具 DiscomfortFilter。該工具可為用戶構(gòu)建可編輯的偏好畫像，并通過對話幫助用戶表達(dá)過濾需求，從而在畫像中屏蔽不適的偏好?；诰庉嫼蟮?/span>畫像，DiscomfortFilter以即插即用的方式實(shí)現(xiàn)不適推薦過濾，同時保持靈活性與透明度。構(gòu)建的偏好畫像能提升大語言模型的推理能力并簡化用戶對齊，使一個38 億參數(shù)的開源大語言模型在離線代理任務(wù)中可與頂尖商業(yè)模型媲美。為期一周、包含 24 名參與者的用戶研究驗(yàn)證了DiscomfortFilter的有效性，同時表明該工具通過調(diào)控內(nèi)容暴露，有效減少了平臺推薦結(jié)果中的不適內(nèi)容。最后，我們討論了當(dāng)前面臨的挑戰(zhàn)，強(qiáng)調(diào)其與更廣泛研究領(lǐng)域的關(guān)聯(lián)性，評估對各利益相關(guān)方的影響，并展望未來的研究方向。

會議簡介

The ACM Web Conference (WWW) 是一年一度的國際會議，探討萬維網(wǎng)的未來發(fā)展方向，是中國計算機(jī)學(xué)會推薦的交叉/新興/綜合領(lǐng)域的 A 類國際學(xué)術(shù)會議。該會議旨在為全球提供一個頂級論壇，以討論和辯論 Web 的演進(jìn)、相關(guān)技術(shù)的標(biāo)準(zhǔn)化，以及這些技術(shù)對社會和文化的影響。大會匯聚了研究人員、開發(fā)者、用戶和商業(yè)機(jī)構(gòu)——所有對 Web 及其潛力充滿熱情的人士。今年，該會議計劃于 2025 年 4 月 28 日至 5 月 2 日在澳大利亞悉尼召開。本屆WWW會議共收到2062篇有效投稿，其中409篇論文被接收，錄用率19.8%。

論文簡介

用大語言模型過濾令人不適的推薦內(nèi)容

論文鏈接：https://arxiv.org/abs/2410.05411

代碼倉庫：https://github.com/Hsyy04/PersonaBuddy

個性化算法通過分析用戶偏好來提供定制化內(nèi)容，從而支持用戶決策，在各類網(wǎng)絡(luò)平臺上已成為不可或缺的工具。盡管這些算法旨在提升用戶體驗(yàn)，但它們可能無意間向用戶推薦令人不適的內(nèi)容。例如，如果用戶搜索與健康相關(guān)的敏感話題，算法可能會推薦相關(guān)的健康產(chǎn)品，這可能被用戶視為對隱私的侵犯，從而引發(fā)不適。同樣，當(dāng)用戶處于情緒低落的狀態(tài)（如剛經(jīng)歷分手），缺乏情境感知能力的算法可能會推薦喚起痛苦回憶的內(nèi)容，從而加劇用戶的情緒困擾。這些推薦不僅可能無法吸引用戶，甚至可能帶來焦慮、不安或痛苦等負(fù)面情緒后果。不適感的感知極具主觀性，也就是說，一個用戶認(rèn)為有趣的內(nèi)容，可能會讓另一個用戶感到不適。這種主觀性凸顯了對不適內(nèi)容識別方法的迫切需求，即方法需要更加細(xì)致入微，并能更好地貼合個體用戶的體驗(yàn)。

在本文中，我們旨在設(shè)計一款幫助用戶過濾不適推薦內(nèi)容的工具。這一任務(wù)面臨兩個關(guān)鍵挑戰(zhàn)：(1) 用戶對不適內(nèi)容的感知高度主觀；(2) 推薦此類內(nèi)容的算法通常是黑箱系統(tǒng)。如圖 1 所示，我們將問題形式化如下：黑箱個性化算法根據(jù)推測的用戶偏好畫像（通常隱含在嵌入表示中）向用戶推薦內(nèi)容，我們的目標(biāo)是識別并過濾用戶主觀認(rèn)為不適的內(nèi)容。由于算法系統(tǒng)的不透明性，用戶的偏好畫像既難以理解也無法編輯，使用戶難以影響算法的決策。

圖1 問題定義

形成性研究

為指導(dǎo)設(shè)計過程，我們首先開展了一項(xiàng)形成性研究，以深入了解當(dāng)前現(xiàn)狀及用戶的需求與期待。通過半結(jié)構(gòu)化訪談，我們識別了導(dǎo)致不適推薦的幾個關(guān)鍵因素，包括：(1) 用戶行為的偏離。用戶的搜索和點(diǎn)擊行為可能受到好奇心驅(qū)動或點(diǎn)擊誘導(dǎo)（如標(biāo)題黨）的影響，導(dǎo)致推薦算法誤判其長期興趣，從而構(gòu)建出偏差的用戶偏好模型。例如，一位參與者提到：“出于好奇，我曾經(jīng)搜索過成人用品，現(xiàn)在這些內(nèi)容一直出現(xiàn)在我的推薦里，太尷尬了。”(2) 算法建模偏差。個性化算法難以全面捕捉用戶的細(xì)微興趣和實(shí)際使用情境，可能導(dǎo)致推薦內(nèi)容在不合適的時間出現(xiàn)。例如，有參與者表示：“晚上刷到恐怖內(nèi)容太嚇人了，雖然我白天會看。”(3) 不同利益相關(guān)方的沖突。平臺通常會優(yōu)先推薦能夠提高用戶參與度的內(nèi)容，即使這些內(nèi)容可能引發(fā)不適。有多名參與者提到，他們察覺到平臺在個性化推薦中的商業(yè)目標(biāo)可能與用戶的舒適體驗(yàn)存在沖突。

在此基礎(chǔ)上，我們進(jìn)一步分析了當(dāng)前反饋機(jī)制（即“不感興趣”按鈕）的局限性，主要體現(xiàn)在以下三個方面：(1) 個性化程度不足。由于反饋選項(xiàng)過于模糊，用戶難以準(zhǔn)確表達(dá)具體的過濾原因，可能導(dǎo)致本可以接受的內(nèi)容被誤刪。(2) 缺乏靈活性。用戶可能只是暫時希望隱藏某類內(nèi)容，但使用反饋后，這些內(nèi)容可能會被永久性移除。(3) 透明度缺失。用戶無法確定平臺是否真正采納了自己的反饋，導(dǎo)致對反饋機(jī)制的有效性缺乏信任。

基于上述發(fā)現(xiàn)，我們通過參與式設(shè)計討論，總結(jié)并提出了四個關(guān)鍵設(shè)計目標(biāo)，以指導(dǎo)工具的開發(fā)：(1) 支持對話式配置。多數(shù)參與者表示，他們更傾向于使用自然語言表達(dá)過濾需求，因?yàn)檫@樣“不會受到預(yù)設(shè)選項(xiàng)的限制”，并且“可以更準(zhǔn)確、更個性化地表達(dá)”。此外，多名參與者希望能夠通過與工具對話的方式配置過濾規(guī)則，因?yàn)檫@種方式“更加自然”。(2) 提供偏好解釋。當(dāng)輸入方式從預(yù)設(shè)選項(xiàng)轉(zhuǎn)向開放式對話時，部分參與者表示，他們在主動表達(dá)過濾需求時會感到困難。然而，所有參與者都認(rèn)同，如果能夠理解平臺推薦所反映的偏好以及自身的行為模式，就更容易精準(zhǔn)表達(dá)過濾需求。例如，一位參與者提到：“如果我能先查看自己的偏好，再對不準(zhǔn)確的部分進(jìn)行有針對性的反饋，那就太好了。”(3) 提供反饋渠道。所有參與者均希望工具具備透明性，并允許用戶對過濾結(jié)果提出異議。能夠查看被過濾內(nèi)容及其原因，有助于“增強(qiáng)對工具的信任”，而支持用戶調(diào)整過濾規(guī)則則可以“優(yōu)化過濾需求”。(4) 以即插即用的方式運(yùn)行。即插即用模式意味著該工具可以獨(dú)立于特定的個性化算法運(yùn)行，并直接影響算法的輸出。支持該模式的關(guān)鍵因素包括：參與者意識到他們的過濾需求是動態(tài)變化的，因?yàn)?ldquo;不同情境下，不適內(nèi)容的標(biāo)準(zhǔn)也會變化”；多名參與者強(qiáng)調(diào)，該工具應(yīng)由用戶自主掌控，使其能夠“跨平臺使用”；參與者更關(guān)注個性化推薦所帶來的不適，而非算法的具體工作機(jī)制。

系統(tǒng)設(shè)計

鑒于大語言模型（LLM）在自然語言理解、推理和生成方面的能力，我們認(rèn)為 LLM 為實(shí)現(xiàn)這些設(shè)計目標(biāo)提供了有前景的解決方案。為此，我們設(shè)計了一款基于 LLM 的工具 DiscomfortFilter，專門用于幫助用戶過濾不適推薦內(nèi)容。圖 2 展示了 DiscomfortFilter 的工作流程：(1) DiscomfortFilter 根據(jù)用戶的個性化感知識別算法推薦的內(nèi)容，整合用戶的成對偏好，并對其進(jìn)行排序，以構(gòu)建可理解且可編輯的個性化偏好畫像；(2) 通過引導(dǎo)式對話，DiscomfortFilter 幫助用戶表達(dá)個性化的過濾需求，并在畫像中屏蔽不適的偏好；(3) 基于編輯后的偏好畫像，DiscomfortFilter 以即插即用的方式過濾不適推薦，確保用戶所見內(nèi)容不再包含令人不適的元素。此外，DiscomfortFilter 還向用戶提供過濾日志（步驟 3），幫助用戶進(jìn)一步完善過濾需求，類似于步驟 2?？傮w而言，DiscomfortFilter 使用戶能夠主動影響個性化算法的決策，增強(qiáng)對算法的掌控力。

圖2 DiscomfortFilter的工作流程

圖 3 展示了在引入DiscomfortFilter之前，個性化算法向用戶呈現(xiàn)內(nèi)容的流程。這些算法會分析用戶行為，以推薦內(nèi)容，其中可能包含讓用戶感到不適的內(nèi)容。最終，系統(tǒng)將個性化推薦的內(nèi)容直接呈現(xiàn)在用戶設(shè)備上，供用戶被動消費(fèi)。

圖3 引入DiscomfortFilter前個性化算法向用戶呈現(xiàn)內(nèi)容的流程

圖 4 的上半部分展示了在引入 DiscomfortFilter 之后，個性化算法如何向用戶呈現(xiàn)內(nèi)容。通過在原有的推薦流程中集成內(nèi)容過濾模塊（Content Filter Module），DiscomfortFilter 能夠移除不適內(nèi)容，確保最終呈現(xiàn)給用戶的僅為非不適內(nèi)容。不適內(nèi)容的識別依據(jù)用戶自定義的過濾規(guī)則，使用戶能夠?qū)?nèi)容推薦過程進(jìn)行控制。過濾規(guī)則以自然語言形式存在，對 DiscomfortFilter 的運(yùn)行至關(guān)重要。圖 4 的下半部分展示了用戶如何配置這些規(guī)則。用戶可以直接管理這些規(guī)則（綠色箭頭），或者使用過濾需求發(fā)現(xiàn)模塊（Filtering Needs Discovery Module）通過對話方式進(jìn)行規(guī)則配置（藍(lán)色箭頭）。該對話代理采用兩種策略來幫助用戶識別過濾需求：第一種策略基于偏好畫像構(gòu)建模塊（Preference Profile Construction Module）構(gòu)建的偏好畫像，第二種策略基于內(nèi)容過濾模塊（Content Filter Module）的過濾記錄。候選規(guī)則生成模塊（Candidate Rule Generation Module）通過對話分析用戶的過濾需求，并將其轉(zhuǎn)換為管理過濾規(guī)則的操作，用戶隨后可以編輯和確認(rèn)這些規(guī)則。

圖4 DiscomfortFilter的細(xì)節(jié)設(shè)計

各模塊具體的細(xì)節(jié)請參考原文，這里，我們僅介紹偏好畫像構(gòu)建模塊。該模塊通過分析用戶按時間順序?qū)ν扑]內(nèi)容的點(diǎn)擊行為來構(gòu)建用戶偏好畫像。該過程與傳統(tǒng)的個性化算法研究有三個關(guān)鍵區(qū)別：(1) 它僅基于單個用戶的行為建模偏好，而不是所有用戶的行為；(2) 它通過捕捉用戶點(diǎn)擊的內(nèi)容以及用戶選擇忽略的推薦項(xiàng)，提供更全面的隱式反饋；(3) 它必須實(shí)時執(zhí)行，能夠即時響應(yīng)用戶的點(diǎn)擊。該過程的關(guān)鍵在于，將用戶對推薦內(nèi)容的點(diǎn)擊行為總結(jié)為由特征組成的偏好畫像，并在一段時間內(nèi)保持該畫像的更新。如圖 5 所示，我們提出了一種基于 LLM 的多智能體流水線來完成這一過程。我們采用了成對排序?qū)W習(xí)（pairwise rank learning）的一般假設(shè)——當(dāng)兩個內(nèi)容同時展示時，被點(diǎn)擊的內(nèi)容對用戶更具吸引力。對于每個被點(diǎn)擊的內(nèi)容（記為 pos，表示正樣本），該模塊會隨機(jī)抽取一個同時出現(xiàn)但未被點(diǎn)擊的內(nèi)容作為負(fù)樣本（記為 neg），然后構(gòu)造一個有序?qū)?。需要注意的是，pos 和 neg 均為未經(jīng)處理的原始內(nèi)容。隨后，該有序?qū)M(jìn)入流水線進(jìn)行處理。

圖5 偏好畫像構(gòu)建模塊

處理流程：（1）感知代理（Perceive Agent）從用戶的角度識別 pos 和 neg，并基于當(dāng)前的偏好畫像分析用戶為何點(diǎn)擊 pos 而忽略 neg。不同用戶對同一內(nèi)容的關(guān)注點(diǎn)不同，因此，結(jié)合用戶的偏好畫像，感知代理能夠準(zhǔn)確識別對用戶最重要的特征。（2）摘要代理（Summary Agent）從感知代理的分析中提取用戶選擇 pos 而非 neg 的原因，并歸納出 m 個 pos feature 和 n 個 neg feature。然后，通過笛卡爾積構(gòu)造 m×n 個有序?qū)?，表示在每個特征對中，用戶更傾向于 pos feature 而非 neg feature。這些有序?qū)γ枋隽颂卣髦g的偏好排序關(guān)系，是用戶偏好建模的基礎(chǔ)。（3）反思代理（Reflect Agent）維護(hù)一個有向圖，其中邊的方向從 neg feature 指向 pos feature，邊的權(quán)重表示每個對的出現(xiàn)頻率。當(dāng)收到摘要代理傳遞的特征對時，它首先合并相似的特征節(jié)點(diǎn)，然后將它們整合進(jìn)圖中。在合并過程中，首先基于語義相似性識別候選特征，隨后利用 LLM 生成最終的合并結(jié)果。這個有向圖將每次用戶點(diǎn)擊產(chǎn)生的獨(dú)立有序?qū)M(jìn)行整合，從而通過全面的結(jié)構(gòu)信息建模用戶偏好。（4）通過 PageRank 算法對特征節(jié)點(diǎn)進(jìn)行排序，以得到全面的偏好排名。排名較高的特征通常更符合用戶興趣，而排名較低的特征則可能不那么相關(guān)。

該模塊具有三個特性：（1）偏好畫像是基于特征構(gòu)建的（而非原始內(nèi)容）。（2）通過個性化的內(nèi)容感知來提取特征。（3）采用 PageRank 算法對特征進(jìn)行全局排序。這種偏好畫像能夠優(yōu)化 LLM 的推理過程，并顯著降低 LLM 對齊用戶偏好的難度。最終，構(gòu)建的偏好畫像會被存儲，并發(fā)送至過濾需求發(fā)現(xiàn)模塊，以增強(qiáng)對話代理的個性化能力，并向用戶提供清晰的解釋。

評估

我們在離線代理任務(wù)中驗(yàn)證了構(gòu)建的偏好畫像的有效性。結(jié)果如圖 6 所示，構(gòu)造的偏好畫像能夠增強(qiáng) LLM 的推理能力，顯著降低用戶對齊的難度，使一個 38 億參數(shù)的開源LLM在離線任務(wù)中可與頂級商業(yè)模型媲美。

圖6 線下代理實(shí)驗(yàn)結(jié)果

此外，我們還在知乎上開展了一項(xiàng)為期一周的用戶研究，共有 24 名參與者。研究結(jié)果表明，我們的設(shè)計目標(biāo)能夠有效幫助用戶表達(dá)過濾需求，并成功過濾不適推薦內(nèi)容，而 DiscomfortFilter 在這些方面表現(xiàn)良好。我們進(jìn)一步分析了 DiscomfortFilter 如何通過影響不適內(nèi)容的曝光來改變平臺推薦結(jié)果。假設(shè) DiscomfortFilter 使用過濾規(guī)則處理 N 個內(nèi)容，其中 n 個內(nèi)容被識別為令人不適，我們定義 n/N 為該規(guī)則的過濾負(fù)擔(dān)。在為期七天的用戶研究中，我們計算了所有在五天以上仍然有效的過濾規(guī)則的每日平均過濾負(fù)擔(dān)。從配置這些規(guī)則的當(dāng)天起，日均過濾負(fù)擔(dān)的趨勢如圖 7 所示。隨著時間的推移，過濾負(fù)擔(dān)穩(wěn)步下降，這表明平臺逐漸減少了推薦令人不適的內(nèi)容。這一下降可以歸因于 DiscomfortFilter 的引入，它減少了用戶接觸令人不適的推薦，從而導(dǎo)致用戶與此類內(nèi)容的互動減少。因此，平臺的推薦系統(tǒng)能夠動態(tài)調(diào)整以適應(yīng)用戶不斷變化的偏好，進(jìn)一步降低推薦令人不適內(nèi)容的可能性。需要強(qiáng)調(diào)的是，從用戶的角度來看，令人不適的推薦會立即消失，因?yàn)樗鼈儽煌耆^濾掉了。

圖7 平均過濾負(fù)擔(dān)變化

討論

① 使用LLM過濾令人不適推薦的挑戰(zhàn)

我們的評估發(fā)現(xiàn)，在利用大語言模型（LLMs）過濾令人不適的推薦內(nèi)容時，存在兩個主要挑戰(zhàn)：（1）LLMs 的錯誤關(guān)聯(lián)。盡管經(jīng)過精心設(shè)計，LLMs 有時仍會將本不令人不適的推薦誤判為包含令人不適的元素，從而導(dǎo)致意外的排除。LLMs 的聯(lián)想能力雖然提升了創(chuàng)造力，但在為用戶做決策時需要更加謹(jǐn)慎的控制。（2）感知對齊不足。盡管我們在偏好畫像構(gòu)建模塊上下了很大功夫，LLMs 仍難以充分理解用戶的主觀體驗(yàn)，從而削弱了偏好解釋的有效性。讓 LLMs 從“看到用戶所見”過渡到“感知用戶所感”之間，仍存在顯著差距。

② 與推薦系統(tǒng)研究的相關(guān)性

近期的推薦系統(tǒng)研究日益重視用戶體驗(yàn)。推薦遺忘（recommendation unlearning）是一種使模型遺忘特定用戶興趣的過程，有助于提升透明性與可控性。上下文感知推薦通過更準(zhǔn)確地建模上下文因素來提升用戶滿意度。減偏推薦則通過強(qiáng)化多樣性與公平性來應(yīng)對信息繭房的問題。我們的研究強(qiáng)調(diào)了推薦系統(tǒng)設(shè)計中的“以人為本”理念，進(jìn)一步擴(kuò)展了以往以算法設(shè)計為主的研究方向。當(dāng)前的大多數(shù)推薦遺忘技術(shù)只能實(shí)現(xiàn)近似遺忘，而將其與 DiscomfortFilter 相結(jié)合后，可以實(shí)現(xiàn)精確的興趣遺忘。傳統(tǒng)的上下文感知推薦通常只依賴被動收集的數(shù)據(jù)（如時空信息），而與 DiscomfortFilter 結(jié)合后，更能滿足用戶的個性化需求。近期研究還表明，用戶所感知的多樣性并不能僅通過提供多樣化推薦來實(shí)現(xiàn)，而是依賴于用戶的主動探索。盡管我們尚無法確定本研究對信息繭房的具體影響，但我們相信，在適當(dāng)?shù)囊龑?dǎo)下，DiscomfortFilter 有助于提升用戶對推薦內(nèi)容的理解，從而主動跳出信息繭房。

③ 對平臺的潛在影響

盡管 DiscomfortFilter 并不直接修改平臺的推薦算法，但它會影響用戶所接觸到的內(nèi)容。這種影響可能會改變用戶行為，進(jìn)而間接影響平臺的數(shù)據(jù)收集和用戶建模。我們認(rèn)為這種影響是積極的，主要基于兩個原因：第一，研究表明，即使是對推薦內(nèi)容的輕微控制，也能顯著提升用戶的參與意愿。DiscomfortFilter 賦予用戶更大的控制權(quán)，有助于建立信任，并提升他們使用平臺的意愿。第二，避免記錄用戶與令人不適推薦內(nèi)容的交互行為，可以幫助平臺更準(zhǔn)確地建模用戶畫像。

④ 研究的局限性與未來方向

我們從以下四個方面闡述了研究的局限性與潛在改進(jìn)方向：（1）性能方面：兩個挑戰(zhàn)主要源于大語言模型（LLMs）與用戶之間缺乏對齊。一個可能的解決方案是引入交互式驗(yàn)證過程，根據(jù)用戶反饋調(diào)整 LLMs 的行為，使其更貼合用戶需求。（2）功能方面：本研究目前僅關(guān)注用戶的點(diǎn)擊行為和文本內(nèi)容。未來可以拓展至其他用戶行為和多模態(tài)內(nèi)容的整合。同時，也亟需一個高效的規(guī)則管理機(jī)制來支持更復(fù)雜的個性化需求。（3）評估方面：本次研究的參與者大多具有本科學(xué)歷，且僅在單一平臺上進(jìn)行了為期一周的評估。因此，需要開展更大規(guī)模的部署，進(jìn)行更長期、覆蓋更廣泛人群與多平臺的評估。（4）應(yīng)用方面：DiscomfortFilter 有潛力擴(kuò)展至其他場景，例如家長監(jiān)管和兒童網(wǎng)絡(luò)內(nèi)容控制。這類應(yīng)用需要進(jìn)行有針對性的設(shè)計，并充分考慮法律與倫理問題。

總結(jié)

本研究的主要貢獻(xiàn)如下：

• 我們通過 15 名參與者的形成性研究，分析了當(dāng)前不適推薦過濾的現(xiàn)狀及用戶期望。
• 我們設(shè)計了一款基于 LLM 的工具 DiscomfortFilter 來幫助用戶過濾不適推薦內(nèi)容。據(jù)我們所知，這是首次在這一重要任務(wù)中利用 LLM。
• 我們通過離線代理實(shí)驗(yàn)和用戶研究評估了 DiscomfortFilter，結(jié)果表明該工具能夠有效幫助用戶表達(dá)過濾需求并成功過濾不適推薦內(nèi)容。
• 我們討論了使用 LLM 過濾不適推薦的挑戰(zhàn)與機(jī)遇，并探討了其更廣泛的影響。

作者信息

如果您對本文內(nèi)容感興趣的話，可以與作者聯(lián)系：

劉家豪 復(fù)旦大學(xué)計算機(jī)學(xué)院協(xié)同信息與系統(tǒng)實(shí)驗(yàn)室 博士研究生

研究方向：推薦系統(tǒng)，人機(jī)交互，大語言模型

聯(lián)系方式：jiahaoliu23@m.fudan.edu.cn

實(shí)驗(yàn)室相關(guān)論文

[1] Jiahao Liu, Dongsheng Li, Hansu Gu, Peng Zhang, Tun Lu, Li Shang and Ning Gu. Unbiased Collaborative Filtering with Fair Sampling. SIGIR 2025.

[2] Jiahao Liu*, Xueshuo Yan*, Dongsheng Li, Guangping Zhang, Hansu Gu, Peng Zhang, Tun Lu, Li Shang and Ning Gu. Improving LLM-powered Recommendations with Personalized Information. SIGIR 2025.

[3] Jiahao Liu, Dongsheng Li, Hansu Gu, Tun Lu, Peng Zhang, Li Shang and Ning Gu. Triple Structural Information Modelling for Accurate, Explainable and Interactive Recommendation. SIGIR 2023.

[4] Yubo Shu, Haonan Zhang, Hansu Gu, Peng Zhang, Tun Lu, Dongsheng Li, Ning Gu. RAH! RecSys–Assistant–Human: A Human-Centered Recommendation Framework With LLM Agents. TCSS 2024.

[5] Yaqiong Li, Peng Zhang, Hansu Gu, Tun Lu, Siyuan Qiao, Yubo Shu, Yiyang Shao, Ning Gu. DeMod: A Holistic Tool with Explainable Detection and Personalized Modification for Toxicity Censorship. CSCW 2025.

[6] Wenxin Zhao, Fangyu Yu, Peng Zhang, Hansu Gu, Lin Wang, Siyuan Qiao, Tun Lu, Ning Gu. YouthCare: Building a Personalized Collaborative Video Censorship Tool to Support Parent-Child Joint Media Engagement. CHI 2025.

[7] Baoxi Liu, Peng Zhang, Yubo Shu, Zhengqing Guan, Tun Lu, Hansu Gu, Ning Gu. Building a Personalized Model for Social Media Textual Content Censorship. CSCW 2022.

如果您對我們實(shí)驗(yàn)室的相關(guān)工作感興趣，歡迎訪問我們的網(wǎng)站：

協(xié)同信息與系統(tǒng)（CISL）實(shí)驗(yàn)室

實(shí)驗(yàn)室網(wǎng)站主頁：https://cscw.fudan.edu.cn/

實(shí)驗(yàn)室Github主頁：https://github.com/FudanCISL