通过图感知学习增强基于语言模型的协同语义推荐

Jun, 2024

通过图感知学习增强基于语言模型的协同语义推荐

Enhancing Collaborative Semantics of Language Model-Driven Recommendations via Graph-Aware Learning

Zhong Guan, Likang Wu, Hongke Zhao, Ming He, Jianpin Fan

TL;DR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。

Abstract

large language models (LLMs) are increasingly prominent in the recommendation systems domain. Existing studies usually utilize in-context learning or supervised fine-tuning on task-specific data to align LLMs into recommendations. However, the substantial bias in →

large language models recommendation systems semantic spaces collaborative information graph-aware learning

发现论文，激发创造

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

LLM 增强的用户 - 商品交互：利用边缘信息进行优化推荐

大型语言模型与图神经网络相结合，应用于图数据关系挖掘任务，并设计了一个创新的框架，将图数据的关系信息与自然语言有效结合，从而提高大型语言模型对图数据连通性信息的理解能力。

Feb, 2024

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

大型语言模型与机器学习在电子商务推荐中的新兴协同效应

电子商务和网络应用的蓬勃发展使得推荐系统成为我们日常生活中重要的一部分，但是现有基于深度神经网络的方法在理解用户兴趣、捕捉文本信息以及推广到不同场景等方面仍存在限制。近期的研究借助大型语言模型的崛起旨在改进推荐系统，本文系统回顾了已有的大型语言模型驱动的推荐系统，介绍了使用大型语言模型作为特征编码器学习用户和物品表示的方法以及在预训练、微调和提示等三个范式下的最新进展，并对这一新兴领域的未来方向进行了全面的讨论。

Mar, 2024

从大型语言模型到推荐系统的知识迁移：实践工业应用

借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

May, 2024

大型语言模型的可控推荐

通过引入监督学习任务和基于强化学习的对齐过程，本研究明显提升了大型语言模型在推荐系统中遵循指示并保持高精度性能的能力。

Mar, 2024

DynLLM: 大规模语言模型遇上动态图推荐

本文提出了一种名为 DynLLM 的新框架，利用大型语言模型解决动态图推荐任务，通过生成基于丰富文本特征的用户多维度画像，并利用时间图嵌入和精细化的关注机制来融合用户画像和动态图嵌入，以实现对持续时间动态图的无缝集成和改进，实验证实了 DynLLM 在电子商务领域的卓越性能。

May, 2024

与图形会话推荐相结合的大型语言模型的整合

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。

Feb, 2024

大语言模型时代的推荐系统

本论文对基于大型语言模型（LLMs）的推荐系统进行了全面综述，总结了 LLMs 在推荐系统中的应用方法，包括预训练、微调和提示，并讨论了未来方向。

Jul, 2023