与图形会话推荐相结合的大型语言模型的整合

Feb, 2024

与图形会话推荐相结合的大型语言模型的整合

Integrating Large Language Models with Graphical Session-Based Recommendation

Naicheng Guo, Hongwei Cheng, Qianqiao Liang, Linxun Chen, Bing Han

TL;DR通过将大型语言模型（LLMs）与图神经网络（GNNs）有机地结合为 SBR（基于会话的推荐）任务设计了 LLMGR 框架，旨在提高会话内的项目理解和推荐能力，通过辅助和主要指令调整任务的提示来赋予 LLM 处理图结构数据的能力，通过在三个实际数据集上进行广泛实验，证明 LLMGR 在提升 SBR 任务方面优于竞争性基线模型，显示其对未来研究的潜力。

Abstract

With the rapid development of large language models (LLMs), various explorations have arisen to utilize LLMs capability of context understanding on recommender systems. While pioneering strategies have primarily transformed traditional recommendation tasks into challenges of natural la

large language models session-based recommendation graph neural networks recommender system llmgr

发现论文，激发创造

LLM4SBR：一种轻量且有效的用于在基于会话的推荐中整合大型语言模型的框架

传统会话推荐 (SBR) 使用来自匿名用户的会话行为序列进行推荐。最近，大型语言模型 (LLMs) 在与推荐系统 (RS) 的集成方面取得了巨大的进展。为了解决这些问题，我们提出了面向 SBR 的 LLM 集成框架 (LLM4SBR)。通过将会话数据转化为文本和行为的二模态形式，并在不同角度使用 LLMs 的推理能力，LLM4SBR 显著提高了传统 SBR 模型的性能，适合工业部署。

Feb, 2024

通过图感知学习增强基于语言模型的协同语义推荐

通过使用充满协作语义的交互图，我们提出了一种名为 GAL-Rec 的方法，通过模仿图神经网络（GNNs）的意图来提高语言模型驱动的推荐模型对用户 - 物品协作语义的理解能力，从而充分利用大型语言模型的学习能力，独立解决推荐系统中的复杂图形，实验证明 GAL-Rec 显著增强了协作语义的理解能力，并提高了推荐性能。

Jun, 2024

对话式推荐的对比多级图神经网络

本文提出了一种新颖的对比多层图神经网络方法（CM-GNN）来更好地利用复杂和高阶的物品转换信息，并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明，所提出的方法优于现有的会话推荐技术。

Nov, 2023

在线求职推荐中探究大语言模型在图数据理解中的应用

本研究旨在揭示大型语言模型在理解行为图并利用这种理解增强在线招聘中的推荐能力，包括促进分布外应用程序，为此我们提出了一个新框架，该框架利用大型语言模型提供的丰富上下文信息和语义表示来分析行为图并揭示其中的潜在模式和关系，从而实现个性化和准确的工作推荐，并在全面的数据集上评估了我们的方法的有效性。

Jul, 2023

大规模语言模型推动图表示学习的进展：技术综述

利用大型语言模型和图表示学的集成标志着复杂数据结构分析的重大进展，通过利用 LLM 的先进语言能力来改善图模型的上下文理解和适应性，从而拓宽了 GRL 的范围和潜力。本研究通过提出一种新颖的分类法，深入分析了 LLM 与 GRL 之间的核心组成部分和操作技术，填补了目前缺乏的综述研究。我们进一步将近期文献分解为两个主要组成部分，包括知识提取器和整理器，以及两种操作技术，包括集成和训练策略，以揭示有效的模型设计和训练策略，并探讨了这一新兴但尚未充分探索的领域的潜在未来研究方向，为持续进展提出了路径。

Feb, 2024

通过图神经网络对基于会话的推荐建模复杂依赖关系

本文提出了一种新的基于评论信息的图神经网络方法 (RI-GNN)，用于改善 SBRs 中的物品之间的依赖关系，从而提高基于会话的推荐性能。实验证明，RI-GNN 优于目前已有的 SOTA 方法。

Jan, 2022

推荐系统中的大型语言模型调查

本文概论了基于大型语言模型的推荐系统，提出了两种主要类型（分别为判别型 LLM 推荐 DLLM4Rec 和生成型 LLM 推荐 GLLM4Rec），分别从方法、技术和性能等方面对现有的 LLM 推荐系统进行了系统的分类和评估，并指出了主要挑战和有价值的发现。

May, 2023

基于图卷积的大型语言模型用于推荐

利用大型语言模型来改进描述文本的办法受到了研究者的关注，本论文提出了一种基于图卷积的大型语言模型方法，通过捕捉用户 - 物品图中的高阶关系来改进描述文本。在真实世界的数据集上进行了广泛的实验，结果表明我们的方法始终优于现有的最先进方法。

Feb, 2024

利用大型语言模型进行推荐的表示学习

通过整合大型语言模型与推荐系统的表示学习，我们提出了一个模型不可知的框架 RLMRec，旨在增强现有的推荐器，并提高其对于用户行为和偏好的语义理解，同时通过交叉视角对齐框架，将 LLM 的语义空间与协同关系信号的表示空间相对应。

Oct, 2023

大规模语言模型对图的调查

通过综述最新的最先进的用于图学习的大型语言模型，我们引入了一种新的分类方法，详细阐述了四种独特的设计，并探讨了每种框架的优势和局限性，同时强调了未来研究的潜在方向。

May, 2024