文章主要内容和创新点主要内容本文针对工业推荐系统中因“系统推荐→用户反馈→系统再推荐”的反馈循环导致的过滤气泡效应（推荐结果趋同、用户满意度下降），提出了一种利用大型语言模型（LLMs）构建动态用户知识图谱以增强推荐系统“意外发现性”（serendipity）的方法。该方法包含两阶段框架：两跳兴趣推理：基于用户静态画像（如年龄、性别）和历史行为（如近30天查询），通过LLMs动态构建用户知识图谱，再通过两跳推理识别用户潜在兴趣，并结合多智能体辩论提升推理结果的合理性和新颖性；近线适配：通过近线缓存用户潜在兴趣，解决LLMs在工业推荐系统中的高延迟和高计算成本问题，实现高效部署；设计了融合用户到物品（u2i）和物品到物品（i2i）检索能力的多任务双塔检索模型，兼顾推荐结果与用户潜在兴趣的相关性及传统u2i检索的高转化率。实验在拥有数千万用户的得物APP上进行，结果显示该方法提升了曝光新颖率（+4.62%）、点击新颖率（+4.85%）、人均平均浏览时长（+0.15%）等指标，有效改善了用户体验。创新点动态用户知识图谱与两跳推理：利用LLMs动态构建用户知识图谱，通过两跳推理（从用户初始特征到核心需求，再到潜在兴趣）挖掘用户潜在兴趣，并结合多智能体辩论减少推理错误和幻觉，提升结果的准确性和新颖性；近线适配方案：通过近线缓存用户