论文笔记：Integrating Large Language Models with Graphical Session-Based Recommendation

202402 arxiv

1 intro

1.1 背景

1.1.1 推荐系统与SBR

• 推荐系统根据用户的偏好推荐相关资源
  • 在现实情况下，只有有限的交互可用来检测用户意图，使得传统推荐系统不足以应对这一挑战
• ——>为了解决这个问题，研究人员提出了基于会话的推荐（Session-Based Recommendation, SBR），该方法依赖于用户行为序列进行推荐。
  • 传统的SBR方法使用马尔可夫链、卷积神经网络（CNNs）、循环神经网络（RNNs）和注意力机制，来捕捉序列信号和动态用户兴趣
  • 近年来，图神经网络（GNNs）被引入到SBR中，利用其建模结构信息和捕捉会话中项目间复杂转换的能力。
    • GNNs方法通过将项目（item）表示为图结构中的节点，精确建模项目间的交互和关联，从而在捕捉用户偏好方面表现出色
    • 尽管取得了显著进展，现有的SBR算法主要依赖于用户交互数据，忽略了与用户和项目相关的宝贵文本信息，这限制了算法捕捉互动细微差别和上下文的能力。

1.1.2 推荐系统与LLM

• 现有的LLMs能否应用于基于图的SBR任务