一、文章主要内容和创新点主要内容本文提出了一种将大型语言模型（LLMs）与传统推荐算法（如SVD和SVD++）融合的语言驱动框架，旨在提升个性化电影推荐效果。传统推荐算法难以处理文本形式的用户偏好（如“我喜欢轻松幽默的喜剧”），而LLMs在自然语言处理上的优势可弥补这一缺陷。研究中，作者以MovieLens-Latest-Small数据集为基础，通过Surprise Python库实现SVD和SVD++算法生成初始推荐，再利用LLM（采用Phi-4-Q6_K量化模型）对推荐结果进行优化：包括处理过时/损坏的IMDb ID以检索电影信息、生成缺失的电影描述、自动生成用户偏好档案（整合流行度、评分偏好、发布日期范围等）、计算用户偏好与电影的相似度评分以重新排序推荐结果。通过命中率（Hit Rate）、累积命中率（Cumulative Hit Rate）、NDCG、MAP等指标评估，结果显示LLM增强版框架在所有指标上均显著优于传统算法（如累积命中率提升近6倍，NDCG提升约3.7倍），尽管计算开销略有增加。创新点新型融合框架：将LLMs与传统推荐算法结合，通过LLM微调传统算法的输出，实现基于自然语言用户偏好的个性化推荐，解决了传统算法难以处理文本偏好的问题。LLM的多场景创新应用：用于处理过时或损坏的IMDb ID的模糊匹配信息检索；生成缺失的电影描述，减少对网页爬取的依赖；