.png){kind=icon}
返回
LLM-Enhanced Position-Aware Graph for Sequential Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/tcss.2026.3696964.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
序列推荐旨在根据用户的历史行为序列预测其下一个将要交互的项目。在现实场景中，用户-项目交互表现出复杂的依赖关系，图神经网络（GNNs）擅长通过捕捉节点间的高阶关系来建模这些依赖。然而，现有的大多数基于图的序列推荐方法面临两大主要挑战：1）在构建图时通常忽略了序列中的位置信息；2）受到偶然或非预期点击引入的噪声影响。大型语言模型（LLMs）的最新进展为缓解这些问题提供了有前景的方向，这得益于其强大的语义理解能力。然而，直接利用LLMs可能面临任务不匹配的问题，而过度的去噪可能会加剧数据稀疏性。为此，我们提出了一个用于序列推荐的LLM增强型位置感知图（LEPG4SR）。具体而言，我们设计了一个位置感知的项目转换图，从全局视角建模复杂的项目关系。随后，我们利用LLMs提取项目侧信息的语义嵌入，并基于语义相似性过滤掉噪声数据。为进一步缓解数据稀疏性，我们引入了一种基于新颖语义扰动数据增强技术的自监督学习策略。在三个真实世界数据集上的广泛实验表明，LEPG4SR能够优于当前最先进的序列推荐方法。
Keyword:
Graph neural network (GNN)
large language models (LLM)
self-supervised learning
sequential recommendation
期刊
IF:
4.9
论文数:
621
被引数:
6.8K
机构
引用论文
.png){kind=icon}
分享收藏Learning Transferable User Representations with Sequential Behaviors via Contrastive Pre-training
PREAI
分享收藏
Multi-Sequence Attentive User Representation Learning for Side-information Integrated Sequential Recommendation多序列注意力用户表示学习：面向侧信息整合的序列推荐
PREAI
分享收藏LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential RecommendationLlm-esr: 长尾顺序推荐的大型语言模型增强
PREAI
分享收藏Modeling Sequences as Star Graphs to Address Over-Smoothing in Self-Attentive Sequential Recommendation将序列建模为星图以解决自注意力序列推荐中的过平滑问题
OAAI
OAAI分享收藏
查看更多内容