摘要
图神经网络（GNN）与大型语言模型（LLM）在推荐系统中各自发挥了重要作用，前者通过建模结构信号，后者则关注语义信号。然而，在稀疏环境下，如何有效整合这两者的优势仍然是一个挑战。为此，我们提出了TRWH（Text-driven Random Walk Heterogeneous Graph Neural Network）框架，旨在通过战略性的随机游走增强，将LLM生成的文本特征与异构图结构相结合。
TRWH框架包含三个核心组件：
- 嵌入创建：利用Word2Vec和基于LLM的特征生成用户和物品的表示。
- 异构图神经网络（HeteroGNN）：在多关系边上进行信息传播。
- 基于随机游走的路径构建：通过二阶用户-用户和物品-物品链接来丰富稀疏图。
在Amazon-2023 Fashion（200万用户，82.5万物品）和Beauty（63.1万用户，11.2万物品）数据集上的实验表明，TRWH在性能上显著超过了现有最先进的方法，其中Fashion数据集的RMSE和MAE分别减少了80.0%和52.6%，而Beauty数据集则提升了25.7%和10.8%。值得注意的是，尽管随机游走在传统嵌入上提升了性能，但可能会稀释LLM所学习到的细腻表示，这强调了自适应整合策略的重要性。
博主点评： TRWH的创新结合了GNN与LLM的优势，特别是在稀疏推荐场景中，展现了显著的性能提升。未来的研究可以进一步探索如何优化随机游走与LLM的融合，以保留更多的语义信息。