Avoid Recommending Out-of-Domain Items: Constrained Generative Recommendation with LLMs

文章结构清晰，从问题提出（OOD）到方法设计（RecLM-ret/cgen）、实验验证、结果分析、局限性讨论和结论，逻辑连贯。各部分紧密关联，论证充分。

强项: 提出了两种清晰区分且机制不同的方法（基于检索 vs. 约束生成）进行对比研究。, 使用了多个公开数据集进行实验验证，增强了结论的普适性。, 采用了多种标准的推荐准确性指标，并引入了专门评估OOD和重复推荐的指标。, 进行了消融研究，分析了关键组件（约束生成、范围掩码、多轮对话训练）的贡献。, 对多轮对话和跨域推荐等复杂场景进行了评估。, 提供了实验环境和部分训练细节，并公开了代码。, 在附录中提供了部分方法的数学公式和实现细节。
弱项: 部分超参数细节未在正文中列出。, 消融研究中部分变体（v0, v1, v2）在多轮对话评估中表现较差，但仅在附录中简要提及，原因分析可以更深入。, 对LLM内部机理的分析更多是基于外部表现推断，而非深入的模型内部分析。

研究通过在三个不同领域的公开数据集上进行的广泛实验来支持主要结论。性能表格详细列出了不同方法在多个指标上的表现，特别强调了OOD@10降至零以及RecLM-cgen在准确性上的优势，提供了充分的证据来支持其主张。

研究明确关注了基于LLM生成推荐中的OOD物品问题，并提出了两种（特别是RecLM-cgen作为约束生成在推荐领域的应用）有针对性的解决方案。引入特殊令牌<SOI>/<EOI>和基于前缀树的约束生成方法是具有一定新颖性的。

解决LLM推荐中OOD物品问题具有重要的实际应用价值，直接关系到推荐系统的可信度和业务影响。提出的RecLM-cgen方法在解决OOD问题同时提升准确性，且轻量易集成，对于推动LLM在工业级推荐系统中的应用具有重要意义。开源代码也促进了社区研究。

强项: 关键概念（如OOD, RecLM-ret, RecLM-cgen, 特殊令牌）定义清晰。, 方法描述（如RecLM-ret的检索过程、RecLM-cgen的约束生成过程）逻辑清楚。, 实验设置和评估指标解释明确。, 使用了准确和正式的学术语言。
改进点: 无