LLM 是知识图谱推理器：面向冷启动序列推荐的 LLM 直觉感知知识图谱推理
信息检索
2024-12-18 v1
摘要
知识图谱 (KGs) 以图结构表示实体间的关系，并作为考虑物品准确内容信息以实现推荐的潜在工具被广泛研究。然而，传统的基于 KG 的推荐方法面临根本性挑战：对时间信息考虑不足以及在冷启动场景下表现不佳。另一方面，大型语言模型 可以被视为拥有从网络数据中学习到的丰富知识的数据库，并且由于其作为推荐系统的潜在应用而近期受到关注。尽管将 LLMs 视为推荐系统的方法可以利用 LLMs 的高推荐素养，但其输入 token 限制使得考虑整个推荐领域数据集变得不切实际，并导致可扩展性问题。为了应对这些挑战，我们提出了 LLM 直觉感知知识图谱推理模型 (LIKR)。我们的主要思想是将 LLMs 视为输出 KGs 直觉探索策略的推理器。为了整合 LLMs 和 KGs 的知识，我们通过强化学习训练了一个推荐智能体，其奖励函数整合了包括 LLM 直觉和 KG 嵌入在内的不同推荐策略。通过提示工程引入时间感知，并从有限交互中生成用户偏好的文本表示，LIKR 能够提升冷启动场景下的推荐性能。此外，LIKR 通过使用 KGs 表示推荐领域数据集并将 LLM 的输出限制为 KG 探索策略，避免了可扩展性问题。在真实世界数据集上的实验表明，我们的模型在冷启动序列推荐场景中优于 SOTA 推荐方法。
引用
@article{arxiv.2412.12464,
title = {LLM is Knowledge Graph Reasoner: LLM's Intuition-aware Knowledge Graph Reasoning for Cold-start Sequential Recommendation},
author = {Keigo Sakurai and Ren Togo and Takahiro Ogawa and Miki Haseyama},
journal= {arXiv preprint arXiv:2412.12464},
year = {2024}
}
备注
Accepted to the 47th European Conference on Information Retrieval (ECIR2025)