LLMRec：大模型驱动的图数据增强推荐系统

"大模型ChatGPT增强图神经网络，主要关注如何利用大型语言模型（LLMs）如ChatGPT来提升图神经网络（GNNs）在推荐系统中的性能，通过数据增强策略改善数据稀疏性和噪声问题。" 本文讨论的焦点在于如何将大型语言模型，如ChatGPT，应用到图神经网络中，以增强推荐系统的准确性。推荐系统通常依赖于用户-物品交互图，而这类图数据常常面临数据稀疏、交互信息不足以及节点特征质量参差不齐等问题。传统的解决方案是引入侧边信息（side information）作为节点特征，但这种方法可能会引入更多的不确定性。 作者提出了三种基于LLMs的图数据增强方法，针对不同类型的图数据问题： 1. **交互边的增强**：针对用户-物品交互边的稀疏性，利用LLMs生成虚拟交互，以增加链接预测任务的监督信号，从而提高推荐的准确性和多样性。 2. **有基础文本信息的节点增强**：对于含有文本信息的节点（如用户评论或物品描述），通过LLMs理解并生成相关文本，丰富节点特征，帮助GNN更好地捕获语义信息。 3. **无基础文本信息的节点增强**：针对没有直接文本信息的节点，如用户或物品，利用LLMs的上下文理解能力，生成相关描述，为这些节点提供附加特征。 为了确保增强过程的有效性和鲁棒性，作者还设计了去噪机制，以过滤掉可能引入的噪声或不准确信息。此外，通过理论分析和实证研究，论文表明LLMs的数据增强能有效处理推荐系统中的非交互问题和噪声交互，提升了模型的性能。 实验部分，作者对比了LLMRec与基线模型的性能，并进行了消融实验，以验证所提方法的有效性。这些实验结果进一步证明了利用LLMs进行图数据增强在解决推荐系统数据稀疏性和噪声问题上的优势。 这篇论文提出了一种创新的框架，即LLMRec，它结合了大型语言模型的自然语言理解和知识库，增强了图神经网络在推荐系统中的表现，为解决数据稀疏性和噪声问题提供了新的思路。这种方法不仅丰富了节点和边的特征，还提升了模型对非交互数据和噪声的处理能力，为未来推荐系统的研究和实践提供了有价值的参考。