将大语言模型与基于图结构的会话推荐相结合
信息检索
2024-02-27 v1 计算与语言
机器学习
摘要
随着大语言模型（LLMs）的快速发展，利用LLMs在推荐系统中的上下文理解能力进行了各种探索。虽然开创性策略主要将传统的推荐任务转化为自然语言生成的挑战，但由于其特殊性，在基于会话的推荐（SBR）领域的探索相对较少。SBR主要由图神经网络主导，由于它们能够捕捉相邻行为之间的隐式和显式关系，因此取得了许多成功的结果。图的结构性质与自然语言的本质形成对比，给LLMs带来了显著的适应差距。在本文中，我们引入了基于图结构会话推荐的大语言模型，命名为LLMGR，这是一个有效的框架，通过将LLMs与图神经网络（GNNs）和谐地集成用于SBR任务，弥合了上述差距。这种集成旨在利用LLMs在自然语言理解和GNNs在关系数据处理方面的互补优势，从而产生一个更强大的基于会话的推荐系统，能够理解并推荐会话内的项目。此外，为了使LLM具备赋能SBR任务的能力，我们设计了一系列用于辅助和主要指令调优任务的提示。这些提示旨在帮助LLM理解图结构数据，并将文本信息与节点对齐，有效地将细微的用户交互转化为LLM架构可以理解和利用的格式。在三个真实世界数据集上的大量实验表明，LLMGR优于几个竞争基线，表明其在增强SBR任务方面的有效性，以及作为未来探索研究方向的潜力。
引用
@article{arxiv.2402.16539,
title = {Integrating Large Language Models with Graphical Session-Based Recommendation},
author = {Naicheng Guo and Hongwei Cheng and Qianqiao Liang and Linxun Chen and Bing Han},
journal= {arXiv preprint arXiv:2402.16539},
year = {2024}
}