推荐系统通常只能获取用户的正向交互，缺少显式负反馈。深度模型训练需要负样本，传统做法直接把未观察到的交互当作负例，但这并不能解释用户为何不感兴趣，也无法保证负样本的业务合理性。为此我们提出隐式负候选发现任务：在观察到的用户行为中挖掘能够支持负标签的交互模式，并将这些模式抽象为符号规则。规则通过支持度、信息量和商品相关性三项得分，并依据证据强度排序。随后使用大语言模型（LLM）结合业务目标和领域知识对保留的规则进行解释，最终将解释文本与统计证据一起输出报告。我们在工业 B2B 场景以及五个公开推荐数据集上进行评估。工业场景和三个公开数据集的候选质量实验表明，所提方法的精度显著高于基线；在工业任务中，符号规则选择相较于随机负样本（每正例四负例）提升下游测试 PR‑AUC 12.5%。实验结果证明，负候选的有效性可以独立于下游推荐性能进行评估，从而实现基于证据、业务对齐且可解释的负样本选择，提升稀疏、偏斜真实场景下的模型可解释性和训练效果。
点评