通过大语言模型构建动态用户知识图谱以提升推荐系统的意外发现效果
信息检索
2025-08-07 v1 人工智能
摘要
工业级推荐系统中的反馈回路会强化内容的同质化，产生过滤气泡效应，削弱用户满意度。最近的大语言模型（LLM）凭借其广泛的世界知识和优异的推理能力，展现出在意外发现推荐方面的潜力。然而，这些模型仍面临确保推理过程合理性、推理结果有用性以及满足工业推荐系统（RS）延迟要求的挑战。为此，我们提出一种方法，利用LLM动态构建用户知识图谱，以提升推荐系统的意外发现效果。该方法包含两个阶段：（1）两跳兴趣推理，利用用户静态画像和历史行为通过LLM动态构建用户知识图谱。对构建的图谱进行两跳推理，可提升LLM推理结果的质量和准确性，从而识别用户潜在兴趣；（2）近线适配，一种在工业推荐系统中部署上述模型的成本效益方法。我们提出的u2i（用户-物品）检索模型同时包含i2i（物品-物品）检索能力，检索出的物品不仅与用户新兴兴趣高度相关，还保留了传统u2i检索的高转化率。我们在拥有数千万用户的抖音App上的线上实验表明，该方法将曝光新奇度提升4.62%，点击新奇度提升4.85%，人均观看时长提升0.15%，独立访客点击-through rate提升0.07%，独立访客互动渗透率提升0.30%，显著提升了用户体验。
引用
@article{arxiv.2508.04032,
title = {Enhancing Serendipity Recommendation System by Constructing Dynamic User Knowledge Graphs with Large Language Models},
author = {Qian Yong and Yanhui Li and Jialiang Shi and Yaguang Dou and Tian Qi},
journal= {arXiv preprint arXiv:2508.04032},
year = {2025}
}
备注
8 pages