基于图卷积的大型语言模型用于推荐
内容提要
该文综述大语言模型在图数据与推荐系统中的应用，涵盖纯图、文本丰富图等场景，探讨LLM作为增强器或预测器用于节点分类，并提出RLMRec等框架，将LLM语义空间与协同信号对齐。还总结生成式推荐、知识图谱抽取及行为图理解等方向，指出优势、局限与未来研究方向。
延伸解读
LLM在图数据上的两种角色
文章指出，大语言模型在图机器学习中可扮演两种角色：作为增强器，利用LLM提取语义特征来增强图模型；或作为预测器，直接对图数据进行预测。这两种流程在节点分类任务上均有探索，为图学习提供了新思路。读者可关注LLM如何弥补传统图神经网络在语义理解上的不足。
RLMRec：对齐语义与协同信号
RLMRec是一个模型不可知的框架，旨在通过交叉视角对齐，将LLM的语义空间与协同关系信号的表示空间对应起来，从而增强现有推荐器对用户行为和偏好的语义理解。这一思路表明，LLM并非替代推荐模型，而是作为语义增强组件，提升协同过滤的表示质量。
生成式推荐与知识图谱抽取
文章综述了生成式推荐（GenRec）的进展，即利用LLM编码的丰富知识，通过解释上下文、学习用户偏好来生成推荐。同时，在知识图谱抽取方面，实验表明先进LLM能提高从非结构化文本构建知识图谱的准确性，并探索了自动创建本体论的潜力，为推荐系统提供更丰富的知识支撑。
优势、局限与未来方向
文章系统总结了LLM在纯图、文本丰富图和文本配对图中的优缺点，并讨论了真实世界应用的方法、开源代码和基准数据集。同时指出，LLM在图分析中虽有优势，但与专门图神经网络相比仍有局限。未来研究需进一步探索如何结合两者优势，推动该领域发展。
Q&A
RLMRec 是什么？它如何增强推荐系统？
RLMRec 是一个模型不可知的框架，通过整合大型语言模型与推荐系统的表示学习，增强现有推荐器，提高对用户行为和偏好的语义理解，并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。
大型语言模型在推荐系统中主要扮演哪些角色？
大型语言模型在推荐系统中主要作为增强器或预测器。作为增强器，它们提供语义表示来增强现有推荐模型；作为预测器，它们直接用于节点分类等任务。此外，还有判别型 LLM 推荐（DLLM4Rec）和生成型 LLM 推荐（GLLM4Rec）两种主要类型。
生成式推荐（GenRec）是什么？为什么推荐系统要转向生成式推荐？
生成式推荐（GenRec）是一种利用大型语言模型编码的丰富知识，通过解释上下文、学习用户偏好并生成相关推荐的方法。推荐系统转向生成式推荐是为了充分利用 LLM 的潜力，革命性地提升推荐效果，并应对各种推荐任务。
大型语言模型在处理图数据时有哪些优势和局限性？
优势：LLM 能有效处理图数据并利用拓扑结构提高性能，提供丰富的上下文信息和语义表示。局限性：与专门的图神经网络相比，LLM 在图分析中可能存在不足，具体局限性需进一步探索。
如何利用大型语言模型从非结构化文本中构建知识图谱？
可以联合基础 LLM（如 ChatGPT）与专门的预训练模型（如 REBEL）进行实体和关系提取，以提高从非结构化文本创建知识图谱的准确性。此外，还可以探索使用基础 LLM 自动创建本体论，从而获得更相关和准确的知识图谱。
大型语言模型在在线招聘推荐中如何应用？
通过利用大型语言模型提供的丰富上下文信息和语义表示来分析行为图，揭示潜在模式和关系，从而实现个性化和准确的工作推荐，并促进分布外应用程序。
