跨越评论稀疏：基于文本边缘图表示的推荐方法

文本评论为推荐系统提供细粒度的偏好信号并增强可解释性。然而，在现实场景中，用户很少留下评论，导致严重稀疏，削弱了现有模型的效果。自然的解决方案是插值或生成缺失评论以丰富数据。然而，传统插值技术——如矩阵完成和基于大语言模型的增强——要么通过将文本嵌入向量丢失上下文化语义，要么忽略用户-项目交互之间的结构依赖。为解决这些问题，本文提出TWISTER（ToWards Imputation on Sparsity with Textual Edge Graph Representation），一个统一框架，通过联合建模语义信号和结构信号来插值缺失评论。具体而言，我们将用户-项目交互表示为文本边缘图（TEG），将评论视为边缘属性。为捕获关系上下文，我们构建线型图视图并运用大语言模型作为图感知聚合器。对于缺乏文本评论的每一次交互，我们的模型聚合邻域的自然语言表示以生成连贯且个性化的评论。在亚马逊和Goodreads数据集上进行的实验表明，TWISTER consistently优于传统数值、图基和大语言模型基线，生成的评论质量更高，更重要的是，推荐效果得到提升。总之，TWISTER生成的评论更有帮助、更真实且更具针对性，同时平滑结构信号以提升推荐性能。