对话推荐系统近期引入视觉语言模型（VLM），将用户对话意图与多模态商品信息对齐。但在跨多个商品域时，若为每个域单独适配 VLM，部署成本随域数线性增长且需要将对话路由至对应模型；若将所有域合并到同一 VLM，因商品特性差异大导致准确率下降。
LightCRS 提出一种查询条件的轻量框架，实现统一的多域多模态对话推荐。系统离线使用冻结的编码器预计算商品的多模态表征。在线阶段，一个仅含 5.3M 参数的模块通过查询条件交叉注意力融合这些表征，参数在所有域之间共享；随后使用跨候选 Transformer 对候选进行联合比较。
为实现严格评估，作者构建了 MM‑R2A‑25 基准，覆盖 25 个商品域，将 Reddit 上的自然推荐对话与 Amazon 商品列表配对。实验表明 LightCRS 在 HR@1、NDCG@5、MRR 等指标上均达到最新水平，HR@1 比最强基线提升 35.4%，查询延迟降低 266 倍。多域联合训练本身相较于单域独立训练还能再提升 HR@1 15.2%。
点评