隨着用戶體驗的提升和留存率的增強，推薦系統在電商、流媒體和社交媒體等多個行業中愈發受到重視。這些系統需要分析用戶、商品及其背景因素之間的複雜關係，以精準地推薦用戶可能感興趣的內容。

然而，現有的推薦系統往往是靜態的，依賴於大量歷史數據來有效地構建這些關係。在 “冷啓動” 場景下，這種關係的構建幾乎變得不可能，進一步削弱了系統的效果。

image.png

爲了解決這些問題，來自上海交通大學和華爲諾亞方舟實驗室的研究人員推出了 AutoGraph 框架。該框架能夠自動構建圖，並根據動態調整來增強推薦的準確性，同時利用大型語言模型（LLMs）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，現有系統需要用戶手動設定圖中的特徵及其連接，耗時且效率低下。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義信息的非結構化數據。因此，迫切需要一種新的方法來解決數據稀疏問題，並及時捕捉用戶偏好的微妙關係。

AutoGraph 框架以大型語言模型和知識圖譜爲基礎，通過以下幾項功能提升推薦系統的性能:

 利用預訓練 LLMs:該框架藉助預訓練的 LLMs 分析用戶輸入，從自然語言中提取潛在的關係。

知識圖構建 :在提取關係後，LLMs 生成圖形，作爲用戶偏好的結構化表示。接着，算法對圖進行優化，去除不相關的連接，以提升圖的整體質量。

與圖神經網絡（GNNs）的集成 :將構建的知識圖與 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。

爲評估該框架的有效性，研究人員使用電商和流媒體服務的數據集進行了基準測試。結果顯示，推薦精度顯著提高，表明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構建方法。自動化的過程與先進算法的結合幫助降低了資源消耗，同時不影響結果質量。

AutoGraph 框架在推薦系統領域代表了重要的進步。自動構建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，爲未來個性化推薦的研究和應用設定了新標準。

論文入口:https://arxiv.org/abs/2412.18241

劃重點:  

🌟 ** 基於 LLMs 的自動圖構建 **:AutoGraph 框架通過預訓練的大型語言模型自動分析用戶輸入，提取關係，構建知識圖。  

📈 ** 顯著提升推薦精度 **:在基準測試中，該框架在電商和流媒體數據集上顯著提高了推薦的準確性。  

⚙️ ** 降低資源消耗 **:與傳統方法相比，AutoGraph 在計算需求上表現出色，展現了良好的可擴展性。