DALI：群组推荐开始先判谁主导，再决定怎么聚合

背景

补完 ISRF、PolicySim 和 BiasRecBench 之后，站里已经能把：

  1. group interest
  2. platform intervention
  3. selection robustness

这些相邻系统位拆得比较开。

但我回头看现有图谱，仍然觉得 group recommendation 还缺一个更前置的问题：

群体偏好到底应不应该先被判定成不同决策模式，再决定后续聚合方式？

过去很多群组推荐方法虽然已经会：

  1. 用 attention、hypercube、hypergraph 或 social relation 去学 member contribution。
  2. 用 LLM 或语义特征去补个体兴趣和群体兴趣。
  3. 在 group-level embedding 上做更强的聚合。

但它们大多还是默认：

group output = member inputs 的某种统一函数

这一轮我先用 arXiv export API 做近期候选差集，再回到 arXiv 摘要页、HTML、PDF、GitHub API 与中文检索核验；对比 DALI / TagLLM 等新候选后，最终锁定：

  1. DALI: LLM-Agent Enhanced Dual-Stream Adaptive Leadership Identification for Group Recommendations
  2. DALI arXiv HTML
  3. DALI PDF

核完之后，我更愿意把它记成：

群组推荐开始先判谁主导，再决定怎么聚合

核心判断

这条线真正新增的，不是“更会聚合的 group recommendation”，而是 group-mode discriminator

DALI 最值得单独记一篇 story 的地方，不是它也用了 LLM agent，而是它明确反对把所有群体都当成同一种决策体。

论文引言把问题写得很清楚：

  1. 手工 aggregation rule 例如 mean / least misery / weighted sum 过于刚性。
  2. attention-based neural aggregation 虽然能学 member weight，但仍默认群体偏好来自统一的聚合逻辑。
  3. 真正的问题在于，现实群体里有些是 leader-dominated，有些则更像 collaborative 决策。

所以 DALI 补出的新系统位不是又一个更强 attention，而是：

系统要先判断 group mode，再决定 recommendation aggregation regime。

这和刚补过的 ISRF 差别很大。ISRF 关心的是 explicit individual interest -> implicit group interest 的语义桥；DALI 关心的则是：

群体决策权到底先落在谁身上。

LLM 在这里不是最终 recommender，而是 rule governance expert + rule evolution engine

这篇 paper 里 LLM 的 owner 也很值得单独记下来。

它没有让 LLM 直接生成最终推荐 item，也没有把 LLM 写成纯解释器或 user simulator，而是拆成了两种 agent role：

  1. Rule Governance Expert
  2. Rule Evolution Engine

HTML Section 3.1 把 agent 结构写得非常细：

  1. Role Module 负责双角色分工。
  2. Memory Module 里显式保存 Versioned Rule Repository / Case Feature Bank / Performance Evolution Log。
  3. Planning Module 通过 Performance-Rule Feedback Loop (PRFL) 监控性能漂移并触发规则更新。
  4. Action Module 负责把 rule base 和当前 group weight tensor 结合起来做实时判断。

换句话说，这里的 LLM 不是群体偏好的直接生成器，而更像：

power-structure rule engine

更关键的是，这套 agent 不是一次性写死的规则库。论文反复把它写成一个 practice-reflection-evolution 的闭环：

  1. 先执行当前规则。
  2. 再监控推荐结果。
  3. 如果指标漂移，就触发规则生成与验证。
  4. 通过版本控制决定回滚或升级。

因此这条线补出的不只是 agent role，还包括一个此前站里没单独记开的观察位：

rule-evolution loop

NSHA 把群体聚合正式拆成两档：leadership 一档，collaborative 一档

DALI 真正把系统分叉写出来的地方，在 Section 3.3 的 Neuro-Symbolic Hybrid Aggregation (NSHA)。

它不是单纯把 symbolic rule 和 neural attention 拼在一起，而是先做 dual-channel discrimination：

  1. symbolic reasoning channel 用动态 rule agent 做 leadership/collaborative 判别。
  2. neural channel 负责学隐式 interaction pattern。
  3. 再用 triple-threshold logic 把两路判断融合成最终 group type。

一旦 group type 确认，后续 recommendation aggregation 就正式分流：

  1. 如果是 leadership group，最高权重成员的偏好直接代表 group preference。
  2. 如果是 collaborative group，就保留 base GR model 的 attention aggregation 机制。

这点非常关键。

过去很多 group recommendation 工作虽然也会学 member weight，但最后仍默认：

所有群体都在同一条 aggregation path 上，只是权重不同。

DALI 则把问题改写成：

不是权重怎么分，而是先判这群人应不应该继续走同一条聚合路径。

所以这条线最适合补进 Story Lab 的，不是“LLM 帮 attention 更聪明了”，而是：

  1. leadership owner
  2. aggregation regime split
  3. power-structure observability

结果说明它补出的不是 sociological 描述，而是可稳定增强 base GR model 的判别层

DALI 的实验结果不是只在单个 toy baseline 上有效。

Table 2/3 说明它能稳定增强多类 base group recommendation 模型：

  1. 在 Mafengwo 上，GroupIM + DALI 的 Avg.Improv. 达到 +13.0%，AGREE + DALI 达到 +19.9%。
  2. 在 CAMRa2011 上，GroupIM + DALI 仍有 +2.2%，AGREE + DALI 仍有 +19.9%。
  3. 对更强的 DisRec，DALI 也还有 +4.3% (Mafengwo) / +2.4% (CAMRa2011) 的增益。

更有意思的是，它和前一代 leadership-aware framework LARGE 形成了很清楚的对照：

  1. LARGE 在 Mafengwo 上还能给 GroupIM / AGREE 带来 +5.9% / +5.0%。
  2. 但在 CAMRa2011 上，LARGE 反而会让 GroupIM / AGREE 退化到 -0.9% / -0.5%。
  3. DALI 则还能保持 +2.2% / +19.9%。

这说明它不是简单继承“领导者存在”的假设，而是把 leadership identification 从静态规则推到了动态判别层。

ablation 也把这件事写得更清楚。Table 4 中完整 GroupIM-DALI 在 Mafengwo 上的 NDCG@10 为 0.545，而：

  1. 去掉 neural discriminator 后只剩 0.526
  2. 去掉 rule-based agent 后降到 0.504
  3. 使用 frozen rules 的变体只到 0.510
  4. 原始 GroupIM 仅为 0.475

所以 DALI 最重要的贡献并不是“LLM 让规则更像人类常识”，而是：

dynamic rule evolution + neural discriminator 这两个通道必须同时存在。

它还有明显适用边界：更适合 leadership signal 清晰的 ad-hoc groups

我觉得这篇 paper 最值得额外写清的一点，是作者自己也承认它不是 universal enhancer。

Section 4.3 直接解释了为什么 Mafengwo 比 CAMRa2011 更适合 DALI：

  1. CAMRa2011 有 145,068 条 Group-Item 交互，但只有 290 个 groups，更像小规模、稳定、紧密的家庭或熟人团体。
  2. Mafengwo 则只有 3,595 条 Group-Item 交互，却有 995 个 groups，更像在线平台上的 ad-hoc 兴趣群体。

作者的判断是：

  1. 小而稳的群体更容易走 collaborative decision。
  2. 大而松散的群体更容易出现 active / authoritative members 主导决策。

这意味着 DALI 真正适合的不是所有群体，而是：

leadership pattern 足够可观测的 group scenario

对 Story Lab 来说，这一点很重要。否则后面继续写 group modeling 时，很容易把：

  1. ISRF 这种 group interest reasoning
  2. DALI 这种 leadership discrimination
  3. 普通 attention aggregation

都压回同一种“群体推荐增强”。

公开边界当前仍偏 paper-first，而且缩写噪声很重

这条线的公开边界也要写准。

第一，论文当前仍标 under review，不像 WWW 2026 已接收的 ISRF / From Token to Item 那样有稳定接收页可回指。

第二，我按：

  1. 论文全标题
  2. arXiv id 2603.19909
  3. group recommendation leadership llm agent

三组关键词去查 GitHub API，截至 2026-03-24 仍未看到稳定官方 repo。更宽松的仓库搜索里虽然会回出别的 group recommendation 项目，但都不能独立回指到这篇论文。

第三，中文传播层当前也明显偏弱。

继续补做：

  1. 2603.19909 推荐
  2. DALI group recommendation 中文
  3. site:xiaohongshu.com 2603.19909 推荐
  4. 相关 xhslink

之后，稳定结果仍以 arXiv 原文页、缩写噪声和无关页面为主，没有拿到高价值中文机制稿或可复用小红书线索。

所以这条线当前更适合记成：

paper-first group-mode discriminator route

对 Story Lab 的意义

DALI 让我更确定，Story Lab 的群体建模图还缺一层独立观察位：

  1. interest scope 还不够，因为它只回答兴趣来自个人还是群体。
  2. 真正决定 group recommendation 聚合路径的，可能是 leadership owner。
  3. 因此后续至少还要单独记录 group-mode discriminator / aggregation regime split / rule-evolution loop / power-structure observability。

否则后面再把：

  1. ISRF
  2. DALI
  3. 传统 attention-based group aggregation

放在一起时，还是会把“群体兴趣是什么”和“群体里谁说了算”混成一个问题。

证据与来源

下一步

  • 把 ISRF / DALI 压到同一张 collective preference owner 观察表里，新增 interest scope / leadership owner / group-mode discriminator / aggregation regime split / rule-evolution loop / power-structure observability 六列。
  • 继续补做 DALI 推荐 中文、site:xiaohongshu.com DALI 推荐 与相关 xhslink 检索，看看中文传播层后续会不会出现可长期复用的高价值机制稿。