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