巧妙利用大语言模型，可以从用户的历史行为中推出用户的显示兴趣，再将其结构化为图信息，用于提升商品推荐的精度。从大模型中低成本获得新的特征，提升各类模型在不同场景中的表现，是一个有趣且实用价值很大的研究方向。
动机：用户侧结构化信息缺失的难题
在推荐系统领域，知识图谱（Knowledge Graph, KG）的引入为整合商品侧的额外信息提供了强有力的支持。当前的通用范式是将知识图谱与包含用户-物品交互信息的协同图（Collaborative Graph, CG）[1]相结合，形成协同知识图谱（Collaborative Knowledge Graph, CKG），并在CKG上设计知识感知的图推荐算法，以充分利用商品侧的丰富信息[2]。然而，一个长期被忽视的关键问题在于：如何将用户侧的知识以结构化的形式融入CKG？ 传统用户特征（如年龄、性别、国籍等）过于粗糙，难以捕捉用户的深层次相似性；而用户兴趣本身又是隐性且复杂的，难以直接提取并结构化地整合到推荐算法中。这种“用户侧知识鸿沟”成为了制约知识图推荐发展的一个难题。
图1 从传统的协同图谱（CG），到协同知识图谱（CKG），再到协同兴趣知识图谱（CIKG）
论文创新：CIKG的构建与两大核心模块
受近年来大语言模型（Large Language Models, LLMs）飞速发展的启发，我们提出了一种全新的框架——协同兴趣知识图谱（Collaborative Interest Knowledge Graph，CIKG），即融合用户显式兴趣的协同知识图谱。这一框架利用LLM强大的语言理解和推理能力，从用户的历史行为中推导出显式的用户兴趣特征，并将其结构化为图信息，融入CKG，从而实现用户侧外部知识的引入和结构化增强。外部结构化知识引入推荐域的演进路线如图1所示。
图2 CIKGRec整体架构图。从左到右依次是用户兴趣构建模块和推荐模块
然而，由于LLM的幻觉问题以及外部知识的复杂性，基于CIKG的图推荐方法面临两大挑战：（1）噪声干扰：LLM生成的内容中可能存在噪声，影响推荐系统的准确性。（2）知识迁移困难：用户侧知识与商品侧知识向推荐域的迁移过程存在障碍，导致知识利用率低。为应对上述挑战，我们设计了两个核心模块，并提出了对应的推荐方法 CIKGRec 。整体模型架构如图2所示。以下详细介绍两大核心模块的功能与设计思路：
Ø 用户兴趣重建模块：为应对LLM的幻觉问题，我们设计了一个基于图掩码自编码器（GMAE）的用户兴趣重建模块。该模块通过基于课程学习策略的动态调整掩码率（从低到高逐步增加任务难度），有效过滤了LLM生成内容中的噪声，同时保留了关键的兴趣信息。这相当于为推荐系统安装了一个“信息净化器”。
Ø 跨域对比学习模块：为实现用户侧知识与商品侧知识向推荐域的有效迁移，我们提出了一个跨域对比学习模块。该模块通过最大化用户侧和商品侧知识在推荐域中的互信息，提升了知识迁移的准确性和有效性。这相当于为知识迁移搭建了一座“智能桥梁”。
表1 总体实验结果
实验验证：
我们在三个真实世界数据集（DBbook2014、Book-Crossing、MovieLens-1M）上进行了实验验证，使用GPT-3.5作为用户兴趣推理模型。实验结果如表1所示。根据实验结果，我们有如下观察：
Ø 优异的推荐表现 ：我们的方法在所有数据集上均表现出色，尤其是在两个更加稀疏的数据集（DBbook2014和Book-Crossing，稠密度分别为0.44%和0.19%）上表现更加突出。这充分证明了我们方法的整体优越性，以及我们提出的利用LLM进行用户侧兴趣增强框架的有效性。
Ø 用户侧知识引入的价值 ：我们发现，传统的基于知识的推荐方法在物品侧知识稀疏的数据集Book-Crossing（物品侧知识统计信息详见论文原文表2）上表现较差，而我们的方法却能始终保持优异的性能。这表明，我们的方法能够有效引入用户侧知识，弥补物品侧知识稀疏的不足，并实现高效的利用，从而显著提升推荐系统的整体表现。
总结：
本研究通过引入用户侧知识，填补了知识图推荐中存在的用户侧结构化信息缺失的空白，显著提升了稀疏数据场景下的推荐性能。同时，提出的CIKG框架和核心模块为结合LLM的推荐系统研究提供了新的思路。
² 论文信息：Hu Z, et al. Bridging the user-side knowledge gap in knowledge-aware recommendations with large language models, in Proceedings of the AAAI Conference on Artificial Intelligence. 2025, 39(11): 11799-11807.
² 原文链接：https://ojs.aaai.org/index.php/AAAI/article/view/33284
² 论文代码：https://github.com/laowangzi/CIKGRec
参考文献
[1] Zhang Z K, Zhou T, Zhang Y C. Personalized recommendation via integrated diffusion on user–item–tag tripartite graphs. Physica A: Statistical Mechanics and its Applications, 2010, 389(1): 179-186.
[2] Wang X, et al. KGAT: Knowledge graph attention network for recommendation, in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2019: 950-958.
转载本文请联系原作者获取授权，同时请注明本文来自周涛科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3075-1484349.html?mobile=1
收藏
