基於LLM自動圖建構框架AutoGraph，推動推薦系統革新

隨著使用者體驗的提升和留存率的增強，推薦系統在電商、串流媒體和社群媒體等多個行業中愈發受到重視。這些系統需要分析使用者、商品及其背景因素之間的複雜關係，以精準地推薦使用者可能感興趣的內容。

然而，現有的推薦系統往往是靜態的，依賴大量歷史資料來有效地建構這些關係。在「冷啟動」 場景下，這種關係的建構幾乎變得不可能，進一步削弱了系統的效果。

為了解決這些問題，來自上海交通大學和華為諾亞方舟實驗室的研究人員推出了AutoGraph 框架。該框架能夠自動建立圖，並根據動態調整來增強建議的準確性，同時利用大型語言模型（LLMs）來提升上下文理解能力。

目前，基於圖的推薦系統普遍被採用，然而，現有系統需要使用者手動設定圖中的特徵及其連接，耗時且效率低。同時，事先設定的規則限制了這些圖的適應能力，無法充分利用可能蘊含豐富語意資訊的非結構化資料。因此，迫切需要一種新的方法來解決資料稀疏問題，並及時捕捉使用者偏好的微妙關係。

AutoGraph 框架以大型語言模型和知識圖譜為基礎，透過以下幾項功能提升推薦系統的效能:

利用預訓練LLMs:此框架藉助預先訓練的LLMs 分析使用者輸入，從自然語言中提取潛在的關係。

知識圖建構:在提取關係後，LLMs 產生圖形，作為使用者偏好的結構化表示。接著，演算法將圖優化，去除不相關的連接，以提升圖的整體品質。

與圖神經網路（GNNs）的整合:將建構的知識圖與GNN 結合，使得推薦系統能夠利用節點特徵和圖結構提供更精準的推薦，同時對個人偏好和用戶趨勢敏感。

為評估該框架的有效性，研究人員使用電商和串流媒體服務的資料集進行了基準測試。結果顯示，建議精度顯著提高，顯示該框架在提供相關推薦方面具備足夠的能力。此外，該框架在處理大數據集時顯示出更好的可擴展性，且在計算需求上顯著低於傳統圖建構方法。自動化的過程與先進演算法的結合幫助降低了資源消耗，同時不影響結果品質。

AutoGraph 框架在推薦系統領域代表了重要的進步。自動建立圖的能力使其有效應對了長期存在的可擴展性、適應性和上下文感知挑戰。該框架的成功展示了將LLMs 與圖形系統結合的變革潛力，為未來個人化建議的研究和應用設定了新標準。

論文入口：https://arxiv.org/abs/2412.18241