DeepRec：通过基于大语言模型的推荐深入探索物品空间

基于摘要分析。DeepRec 研究如何结合大语言模型（LLMs）的世界知识与推理能力，以及传统推荐模型（TRMs）的推荐领域知识与效率，通过自主多轮交互探索物品空间，最终生成推荐排序；其主要研究对象是推荐系统，而非 EEG 或 BCI。 每轮交互中，LLM 推理用户偏好，并与 TRM 交互以检索候选物品；多轮交互结束后，LLM 对已检索物品排序。训练采用强化学习，包含三个设计：利用偏好感知 TRM 与 LLM 交互生成轨迹数据；结合过程级与结果级奖励，分别优化交互过程与推荐表现；采用两阶段训练，先引导 LLM 学习与 TRM 交互，再着重提升性能。摘要未给出奖励的具体形式、阶段切换条件或轨迹构建细节。 作者报告，在公共数据集上的实验中，DeepRec 显著优于传统推荐与 LLM 推荐基线。但摘要未列出数据集名称、划分方式、具体基线、评价指标、增益数值及显著性检验方法，因此尚不能判断优势的量级与适用范围。实验协议、消融及统计信息尚未验证；复现还需核对基础 LLM、TRM 实现、训练配置，以及多轮交互的推理成本。 材料未提供该机制与 EEG 信号建模或 BCI 解码的具体对应关系，不据此提出迁移有效性判断；已有 EEG 相关工作尚未检索确认。