Integrating Large Language Models with Graphical Session-Based Recommendation

最新推荐文章于 2024-10-10 11:54:20 发布

UnknownBody

最新推荐文章于 2024-10-10 11:54:20 发布

阅读量120

点赞数 3

分类专栏： Recommendation Graph Neural Network 文章标签：语言模型人工智能自然语言处理

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/136947315

版权

LLM 日更同时被 3 个专栏收录

828 篇文章 3 订阅

已下架不支持订阅

Recommendation

27 篇文章 1 订阅

订阅专栏

Graph Neural Network

22 篇文章 0 订阅

订阅专栏

本文介绍了一种名为LLMGR的框架，它结合大型语言模型（LLM）和图神经网络（GNN），以增强基于会话的推荐（SBR）系统。通过将LLM的自然语言理解和GNN的关系处理能力相结合，LLMGR能更好地理解用户会话中的项目，从而提高推荐性能。在多个真实世界数据集上的实验显示，LLMGR优于传统基线，证明了其在SBR任务中的有效性。

摘要由CSDN通过智能技术生成

本文是LLM系列文章，针对《Integrating Large Language Models with Graphical Session-Based Recommendation》的翻译。

摘要

随着大型语言模型（LLM）的快速发展，在推荐系统中利用LLM的上下文理解能力进行了各种探索。虽然开创性的策略主要将传统的推荐任务转化为自然语言生成的挑战，但由于其特殊性，在基于会话的推荐（SBR）领域的探索相对较少。城市SBR主要由图神经网络主导，由于其能够捕捉相邻行为之间的隐式和显式关系，图神经网络已经取得了许多成功。图形的结构性质与自然语言的本质形成对比，对应LLM构成了一个重要的适应差距。在本文中，我们介绍了具有基于会话的图形推荐的大型语言模型，称为LLMGR，这是一个有效的框架，通过将LLM与用于SBR任务的图神经网络（GNN）和谐地集成来弥合上述差距。这种集成旨在利用LLM在自然语言理解方面的互补优势和GNN在关系数据处理方面的互补实力，从而形成一个更强大的基于会话的推荐系统，可以理解和推荐会话中的项目。此外，为了赋予LLM授权SBR任务的能力，我们为辅助和主指令调整任务设计了一系列提示。这些提示旨在帮助LLM理解图结构数据，并将文本信息与节点对齐，从而有效地翻译细微差别用户交互转换为LLM架构能够理解和利用的格式。在三个真实世界数据集上进行的大

了解本专栏