DynLLM: 大规模语言模型遇上动态图推荐
内容提要
本文综述了基于大型语言模型（LLMs）的推荐系统，探讨了其在用户兴趣理解和文本信息捕捉方面的应用。提出了结合图神经网络和LLMs的生成式推荐方法，以提升推荐系统性能。研究表明，LLMs在动态图中的时空理解能力逐渐增强，并讨论了未来的发展方向和挑战。
延伸解读
LLM在动态图中的能力边界
文章通过LLM4DyG基准评估发现，LLM在动态图中仅具备初步的时空理解能力。随着图规模与密度增加，任务难度显著上升，但模型对时间跨度和数据生成机制并不敏感。这意味着当前LLM处理动态图时，主要瓶颈在于图结构的复杂性，而非时间维度。读者需注意，LLM并非万能，在稠密大图上直接应用可能效果有限。
DST2提示方法的改进思路
针对LLM在动态图中理解不足的问题，文章提出DST2（解耦时空思维）提示方法。该方法旨在增强LLM对动态图时空信息的理解能力，实验表明其能有效提升模型表现。这提示我们，通过设计合适的提示策略，可以部分弥补LLM在结构化数据理解上的短板，为动态图推荐提供了一种轻量级增强路径。
生成式推荐与图神经网络的融合价值
文章强调将LLM与图神经网络结合，以提升对图数据连通性信息的理解。例如RLMRec框架通过交叉视角对齐，将LLM的语义空间与协同关系信号的表示空间对应，从而增强现有推荐器。这种融合既利用了LLM的文本理解优势，又保留了图结构的高阶关系建模能力，为推荐系统提供了更全面的用户偏好捕捉方式。
Q&A
大型语言模型如何改进推荐系统的性能？
大型语言模型通过捕捉用户-物品图中的高阶关系和学习用户偏好，能够提升推荐系统的性能。
什么是生成式推荐方法？
生成式推荐方法是通过学习用户偏好并生成相关推荐，充分利用大型语言模型的知识来提供个性化推荐。
LLMs在动态图中的时空理解能力如何评估？
通过提出LLM4DyG基准，系统评估LLMs在动态图中的时空信息理解能力。
现有推荐系统面临哪些限制？
现有基于深度神经网络的推荐系统在理解用户兴趣和捕捉文本信息方面存在限制。
DST2方法的作用是什么？
DST2方法旨在增强LLMs在动态图中的时空理解能力，帮助提高模型性能。
未来大型语言模型驱动的推荐系统有哪些发展方向？
未来的发展方向包括进一步提升时空理解能力、优化生成式推荐方法和解决现有技术的局限性。
