Large Language Model Enhanced Graph Invariant Contrastive Learning for Out-of-Distribution Recomm...

一、文章主要内容总结

该研究针对图推荐系统中的分布外（OOD）泛化问题展开，核心挑战在于传统图神经网络（GNN）易学习训练数据中的虚假相关性，而非稳定的因果关系，导致数据分布发生偏移时推荐性能大幅下降。为此，提出一种融合数据驱动模型与知识驱动大语言模型（LLMs）的因果学习框架——InvGCLLM，具体包含三个核心模块：

1. 因果分数生成模块：通过环境提取器识别数据中的潜在环境，结合不变学习模块对用户-物品交互关系进行稳定性评估，生成因果置信分数矩阵，量化每个交互的因果关联强度。
2. LLM校准的因果图编辑模块（LLMC2GE）：以因果分数为指导，筛选高优先级候选边，利用LLM的世界知识验证并校准这些边，修剪虚假连接、补充缺失的因果链路，构建纯净的因果图视图和集中的虚假图视图。
3. 因果感知对比学习模块：基于上述两种图视图，设计对比学习目标，引导模型学习与因果模式对齐、远离虚假模式的表示，同时结合BPR推荐损失进行端到端训练，提升模型在OOD场景下的鲁棒性。

实验在Douban、Amazon-Book、MovieLens-1M、Yahoo四个公开数据集上进行，涵盖流行度偏移、时间偏移、曝光偏移三种分布偏移场景，结果表明InvGCLLM在NDCG@K、Precision@K、Recall@K等指标上均显著优于现有主流基线模型。

二、文章创新点

1. 首次融合数据驱动因果对比学习与LLM知识：提出InvGCLLM框架，协同利用数据