基于大语言模型与知识图谱子图推理的可解释推荐系统研究

本文创新性地提出LLM-SRR框架，通过大语言模型（LLMs）重构知识图谱（KGs）并生成解释性三元组，结合注意力扩散评分机制实现子图推理，最终由LLMs生成可理解的推荐解释。该方案在跨场景销售（cross-selling1）中实现12%的性能提升，为推荐系统（RecSys）的准确性和可解释性提供新范式。

　　

亮点

本研究首次将大语言模型（LLMs）与知识图谱（KGs）子图推理结合，打造可解释推荐系统（RecSys）。在跨场景销售（cross-selling）等传统方法失效的场景中，LLM-SRR框架通过语义分析和路径推理，让推荐结果既精准又"会说话"。

方法学

我们设计的三步走方案堪称"推荐系统的翻译官"：

1. 1.

   LLMs驱动的知识图谱重构：像语言侦探一样从用户评论中提取情感、偏好等语义特征，生成富含解释性的新三元组，让干巴巴的图谱"活"起来。

2. 2.

   注意力扩散评分子图推理：这套神经网络"导航系统"能跳出原始连接模式，通过注意力机制（attention mechanism）发现潜在关联，像GPS一样为推荐物品规划最优路径。

3. 3.

   LLMs生成解释：把推理路径喂给LLMs这个"故事大王"，输出连市场分析师都能秒懂的推荐理由。

实验验证

在真实跨国企业（如Bosch）的跨部门销售场景中，我们的模型像商业顾问般精准：

• •

  在四个开放数据集上平均性能提升12%，吊打现有方案

• •

  特别擅长处理"推荐幻觉"（recommendation hallucination）问题

• •

  参数敏感性实验显示，注意力扩散模块像精准的温度计，能灵敏捕捉用户偏好变化

结论与展望

这套框架就像给推荐系统装上"解释引擎"和"语义雷达"，未来可扩展到医疗健康推荐等需要高可信度的领域。专利#202410942344.8正在申请中，这可能是下一代智能推荐系统的"标准语言"。