论文笔记《LLMRec: Large Language Models with Graph Augmentation for Recommendation》

论文笔记《LLMRec: Large Language Models with Graph Augmentation for Recommendation》

简介

香港大学和百度合作发表在WSDM 2024的一篇文章。目光聚焦在解决侧信息用来辅助推荐时出现的数据噪声、数据异构型以及数据不完整性问题，提出了采用三种图增强策略的LLMRec框架。

问题形式化

图embedding目标，其中：$\mathcal{E}$是用户对物品的隐式反馈，$\mathbf{E}$是用户和物品的嵌入。
$${\mathbf{E}}^{\ast }=\arg \underset{\mathbf{E}}{\max }p(\mathbf{E}|{\mathcal{E}}^{+})\text{\hspace{1em}(1)}$$
加入了侧信息的情况下任务目标，其中\mathbf{F}是物品的侧信息特征：
$${\Theta }^{\ast }=\arg \underset{\Theta }{\max }p(\Theta |\mathbf{F},{\mathcal{E}}^{+})\text{\hspace{1em}(2)}$$
本模型基于数据增强的任务目标，其中${\mathcal{E}}_{\mathcal{A}}、{\mathbf{F}}_{\mathcal{A}}$是基于大模型生成的增强数据：
Θ ∗ = arg ⁡ max ⁡ Θ p ( Θ ∣ { F , F A } , { E + , E A } ) (3) \Theta^*=\underset{\Theta}{\arg\max}p(\Theta|\{\mathbf{F},\mathbf{F}_{\mathcal{A}}\},\{\mathcal{E}^+,\mathcal{E}_{\mathcal{A}}\})\tag{3} Θ∗=Θargmax​p(Θ∣{ F,FA​},{ E+,EA​})(3)

方法论

整体的框架如下，主要包含了数据增强、侧信息融合以及去噪优化三个部分。

数据增强的三种策略：

1. 用户-物品交互增强，也就是增加边的数目
   $$i_u^{+},i_u^{-}=LLM({\mathbb{P}}_u^{UI});{\mathcal{E}}_{BPR}=\mathcal{E}\cup {\mathcal{E}}_{\mathcal{A}}\text{\hspace{1em}(4)}$$
   $${\mathcal{E}}_{\mathcal{A}}=\{(u,i_u^{+},i_u^{-})|(u,$$