Bridging the User-side Knowledge Gap in Knowledge-aware Recommendations with Large Language Models

本文是LLM系列文章，针对《Bridging the User-side Knowledge Gap in Knowledge-aware Recommendations with Large Language Models》的翻译。

摘要

近年来，知识图谱作为项目侧的辅助信息被整合到推荐系统中，提高了推荐的准确性。然而，由于用户侧特征的粒度不当和固有稀缺性，构建和集成结构化用户侧知识仍然是一个重大挑战。大型语言模型（LLM）的最新进展通过利用其对人类行为的理解和广泛的现实世界知识，提供了弥合这一差距的潜力。然而，将LLM生成的信息集成到推荐系统中带来了挑战，包括噪声信息的风险和需要额外的知识迁移。在本文中，我们提出了一种基于LLM的用户端知识推理方法，以及一个精心设计的推荐框架来解决这些挑战。我们的方法采用LLM根据历史行为推断用户兴趣，将用户端信息与项目端和协作数据整合在一起，构建一个混合结构：协作兴趣知识图谱（CIKG）。此外，我们提出了一种基于CIKG的推荐框架，该框架包括用户兴趣重建模块和跨域对比学习模块，以减轻潜在的噪声并促进知识迁移。我们在三个真实世界的数据集上进行了广泛的实验，以验证我们方法的有效性。与竞争基线相比，我们的方法实现了最先进的性能，特别是对于交互稀疏的用户。

1 引言

2 相关工作

3 问题定义

4 方法

5 实验

6