大语言模型增强的知识图谱用于语义感知推荐

《ACM Transactions on Knowledge Discovery from Data》：LLMs-Augmented Knowledge Graph for Semantic-Aware Recommendation

　　知识图谱（KG）包含丰富的真实事实和与物品相关的信息，能够显著提高推荐的准确性和可解释性。然而，现有的基于知识图谱的方法主要关注利用基于ID的结构信息，这已显示出难以突破的性能瓶颈。事实上，知识图谱中还包含大量文本信息，如何利用文本信息以获得更高性能成为一个重大挑战。近年来，大语言模型（LLMs）已被证明具有强大的语义理解能力，为增强知识图谱提供了一种新方法。为此，本文提出了一种大语言模型增强的知识图谱（LAKG）模型，用于语义感知推荐，该模型引入大语言模型从关联文本中提取语义特征，以增强语义感知能力。首先，通过大语言模型从关联文本中提取用户和物品的语义特征。其次，通过图注意力网络从结构信息中进一步提取高阶结构特征，这些特征通过细粒度的用户意图进行建模。第三，将语义特征和结构特征进行深度融合，生成用户和物品的高质量特征表示。这些增强的特征信息对推荐系统预测用户购买行为具有重要价值。实验结果表明，所提模型优于现有的最先进基线模型，在三个公开基准上的平均准确率提高了4.46%。