An Automatic Graph Construction Framework based on Large Language Models for Recommendation

本文是LLM系列文章，针对《An Automatic Graph Construction Framework based on Large Language Models for Recommendation》的翻译。

摘要

图神经网络（GNN）已经成为从图结构数据中学习以进行推荐的最先进方法。然而，现有的基于GNN的推荐方法大多侧重于基于预定义图的模型结构和学习策略的优化，忽视了图构建阶段的重要性。早期的图构建工作通常依赖于特定的规则或众包，这些规则要么过于简单，要么过于劳动密集。鉴于其丰富的开放世界知识和卓越的推理能力，最近的工作开始利用大型语言模型（LLM）来自动化图构建。然而，它们通常存在两个局限性：（1）全局视图的不可见性（例如，忽略上下文信息）和（2）构建效率低下。为此，我们引入了AutoGraph，这是一个基于LLM的自动图构建框架，用于推荐。具体来说，我们首先使用LLM来推断用户偏好和项目知识，这些信息被编码为语义向量。接下来，我们采用矢量量化从语义矢量中提取潜在因素。然后将潜在因素作为额外节点合并，以链接用户/项目节点，从而形成具有深入全局视图语义的图。我们进一步设计了基于元路径的消息聚合，以有效地聚合语义和协作信息。该框架与模型无关，并与不同的骨干模型兼容。对三个真实世界数据集的广泛实验证明了AutoGraph与现有基线方法相比的有效性和效率。我们在华为广告平台上部署了AutoGraph，在在线a/B测试中，RPM提高了2.69%，eCPM提高了7.31%。目前，AutoGraph已被用作主要的交通模型，为数亿人提供服务。

1 引言

2 前言

3 方法

4 实验

5 相关工作

<