.png){kind=icon}
返回
DynLLM: When Large Language Models Meet Dynamic Graph-based Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1145/3786601.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
推荐系统已成为在线平台的普遍工具，基于用户-物品交互提供个性化建议。为捕捉用户与物品之间的动态高阶连接，基于动态图的推荐方法已引起研究人员的高度关注。然而，现有的基于动态图的推荐方法常受限于数据稀疏性，导致其性能不理想。幸运的是，具有强大文本生成能力和广泛领域知识的大型语言模型（LLMs）的快速发展，为解决这一挑战提供了新的可能性。然而，如何有效整合LLMs与动态图仍是一个未探索的问题。为弥合这一差距，本文提出了一种新颖的框架，即DynLLM，用于将LLMs应用于基于动态图的推荐方法。具体而言，DynLLM利用LLMs的力量，基于历史购买记录的丰富文本特征生成多维度用户画像，从而补充和丰富用户与物品之间的潜在关系。沿着这一思路，为融合多维度画像与时间图嵌入，我们引入LLMs推导相应的画像嵌入，并进一步采用蒸馏注意力机制来优化LLMs生成的画像嵌入以缓解噪声信号，同时评估和调整每个蒸馏后的维度嵌入的相关性，以实现与连续时间动态图（CTDGs）的时间图嵌入的无缝集成。在三个真实数据集上的广泛实验验证了DynLLM相较于多种最先进基准方法的显著性能提升。实现代码可在 https://github.com/meteor-gif/DynLLM 网址上获取。
Keyword:
Recommender Systems
Large Language Models
期刊
IF:
9.1
论文数:
1.2K
被引数:
4.7K
机构
引用论文
Neural Feature-aware Recommendation with Signed Hypergraph Convolutional Network基于签名超图卷积网络的神经特征感知推荐
PREAI
分享收藏Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏分享收藏Time-interval Aware Share Recommendation via Bi-directional Continuous Time Dynamic Graphs基于双向连续时间动态图的时间间隔感知分享推荐
PREAI
分享收藏分享收藏
查看更多内容