PCN-Rec: Nachweisbasierte Pipeline für Governance-konforme Empfehlungen

Eine neue Methode namens PCN-Rec kombiniert große Sprachmodelle mit deterministischen Prüfungen, um Empfehlungen zu erzeugen, die gleichzeitig relevant und regelkonform sind.

Der Prozess beginnt mit einem klassischen Recommender (Matrixfactorisierung oder Collaborative Filtering), der eine Kandidatenliste der Größe W erstellt. Zwei spezialisierte Agenten – ein Nutzervertreter, der die Relevanz maximiert, und ein Politikagent, der die Governance‑Regeln durchsetzt – verhandeln über diese Liste.

Ein LLM‑Mediator fasst die Verhandlungsergebnisse zu einer Top‑N‑Liste zusammen und erzeugt gleichzeitig ein strukturiertes Zertifikat im JSON‑Format, das die Einhaltung der Constraints dokumentiert.

Ein deterministischer Verifier prüft das Zertifikat, indem er alle Constraints erneut berechnet. Scheitert die Prüfung, repariert ein deterministischer, constraints‑basierter Greedy‑Algorithmus die Liste und lässt sie erneut prüfen – so entsteht ein nachvollziehbarer Audit‑Pfad.

Auf dem MovieLens‑100K‑Datensatz, bei strengen Governance‑Constraints, erreichte PCN-Rec eine Erfolgsquote von 98,55 % bei zulässigen Nutzern (n = 551, W = 80). Im Vergleich zum Baseline‑Modell ohne Verifikation/Repair lag die NDCG@10 nur um 0,021 unter dem Wert von 0,424 (0,403). Die Unterschiede sind statistisch signifikant (p < 0,05).

PCN-Rec beweist, dass nachweisbasierte Verhandlungs‑Pipelines die Kluft zwischen Nutzerrelevanz und Governance‑Compliance schließen können, ohne die Qualität der Empfehlungen merklich zu beeinträchtigen.