Measuring and Mitigating Identity-Cue Preference Drift in LLM-based Recommender Systems¶

复现级别：L1 核心机制诊断。 执行列表指标与后处理 reranker；身份 slice 和相关性由公开 fixture 给出，不生成真实用户画像。

论文信息¶

项目	内容
论文链接	arXiv 2609.34229
公司/机构	University of Electronic Science and Technology of China
首次公开日期	2026-09-28（arXiv v1）
原文开源代码	否：截至 2026-09-30 未找到原作者公开仓库
Adapter	`promptshift`
本地复现代码	`src/auto_research/reproductions/promptshift/`

原始论文总结¶

背景与主要改动¶

在行为历史不变时比较身份提示与无身份参考列表，用 Drift 与 SliceShift 量化身份线索偏移，再依据用户主流度自适应混合原分与逆群体流行度。

flowchart LR
  I[公开输入/当前状态] --> M[promptshift 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文关键图¶

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式¶

对参考列表 \(R\) 与身份提示列表 \(C\)，本地以集合重叠损失和共同条目的归一化位次变化计算 \(Drift(R,C)\)，再用群体流行度差计算 \(SliceShift\)。缓解阶段按用户主流度 \(m\) 混合归一化相关分与逆流行度：\(s'=(1-m)\hat{s}+m(1-p)\)。

论文离线与线上效果¶

论文中的 benchmark、速度或训练曲线属于原文结果。本地三种子 mini-suite 仅检验机制和不变量，不与论文规模结果横比，也不外推线上收益。

本地复现¶

三种子诊断见 metrics/mechanism-seeds42-44.json。其中 diagnostic_only=true，不能进入正式能力排名。

本地对照口径：基线为未经缓解的 identity-cued ranking，实验组执行自适应逆流行度 reranker；相对提升不适用（L1 机制诊断，不作正式能力比较）。

复现边界¶

执行列表指标与后处理 reranker；身份 slice 和相关性由公开 fixture 给出，不生成真实用户画像。