本文探讨了大语言模型（LLMs）与图结构在推荐系统中的融合应用。针对传统推荐系统忽略文本信息及隐性反馈噪声的问题，介绍了 RLMRec 和 GaCLLM 两种新兴范式。RLMRec 通过推理画像生成、对比对齐和生成对齐模块，利用互信息最大化方法对齐语义空间与协同关系表示，有效去噪并提升表征质量。GaCLLM 则结合图卷积网络（GCN）与大语言模型，通过逐层推理机制聚合邻居信息，增强用户与项目匹配的精确度。实验表明，这两种方法在多个数据集上优于传统基线，展示了 LLMs 在个性化语义理解、跨模态推荐及可解释性方面的巨大潜力，为未来推荐系统的智能化发展提供了重要方向。
随着人工智能技术的飞速发展，大语言模型（Large Language Models, LLMs）在自然语言处理领域取得了突破性进展。与此同时，推荐系统作为连接用户与内容的核心枢纽，正面临着从传统协同过滤向语义理解转型的关键节点。传统的推荐系统主要依赖用户行为数据（如点击、购买记录）生成嵌入表示，这种方法虽然有效，但往往忽略了用户和项目背后丰富的文本信息（如商品描述、用户评论、文章标题等）。此外，隐性反馈数据中存在的噪声和偏差也影响了用户偏好学习的准确性。
为了突破这一瓶颈，学术界开始探索将 LLMs 强大的语义理解能力与传统推荐系统中的图结构相结合。本文重点聚焦于两项代表性工作：RLMRec 和 GaCLLM，深入分析它们如何利用 LLMs 来增强文本信息的理解与优化，从而提升推荐系统的整体性能。
大多数基于图的推荐系统仍然严重依赖于 ID 数据，导致模型难以捕捉项目之间的语义相似性。例如，两个不同 ID 的项目可能在文本描述上高度相似，但在纯 ID 空间中距离很远。RLMRec 框架提出了一种新的推荐范式，旨在将 LLMs 的语义表示能力与传统 ID 推荐系统无缝结合。
该模块的核心目标是为每个用户和项目生成高质量的文本画像。系统通过设计精细的系统提示词（System Prompt），引导大语言模型在生成过程中展示推理步骤，从而减少'幻觉'现象。
[图 1：基于推理的画像生成模块示意图]
在此过程中，$T_p$ 和 $T_u$ 分别代表项目和用户的文本信息，$E_p$ 和 $E_u$ 代表对应的画像嵌入。这种机制确保了文本信息被转化为结构化且富含语义的向量表示。
对比对齐模块旨在通过对比学习，将 LLMs 生成的语义表示与协同过滤模型的协同关系表示进行对齐。其核心思想是在不同的视角下学习到一致的用户和项目嵌入。
具体实现上，定义一个相似度函数（通常为余弦相似度）来度量两种嵌入的相似性。通过引入对比损失函数，鼓励正样本对（实际交互的用户和项目）在嵌入空间中更接近，而负样本对（未产生交互的记录）则被拉远。数学上，该过程试图找到满足在先验信念 $z$ 和文本信息条件下联合概率期望最高的协作嵌入。
问题经过推导，转化为最大化互信息度 $I(s, e)$ 的问题。通过寻找互信息度的下限并使之最大化，最终转化为寻找衡量两个不同表征之间相似度的密度比 $f(s, e)$ 的最大值问题。
其中，$s_i$ 为用户/项目 $i$ 的协同嵌入，$e_i$ 为文本嵌入，$\sigma(\cdot)$ 表示映射函数。这一过程有效减弱了噪声干扰，提升了表征质量。
[图 2：对比对齐模块示意图]
生成对齐模块通过单向的重构过程，进一步确保语义和协同关系的一致性。具体流程包括：
通过这种机制，模型在协同表示的基础上融入了语义层面的知识，确保了嵌入空间内的用户和项目表示在语义上保持一致性。
[图 3：生成对齐模块示意图]
RLMRec 在 Amazon-book、Yelp、Steam 等多个公开数据集上进行了验证。实验结果表明，相较于其他基线方法，RLMRec 在各项指标上均表现出更优的性能，特别是在处理冷启动和长尾项目时优势明显。
[图 4：不同 Backbone 在多数据集上的表现]
传统的推荐技术（如协同过滤或基于内容推荐）在捕捉用户与项目之间的复杂高阶关系时存在局限性。GaCLLM 提出了一种结合 LLMs 和图卷积网络（GCN）的方法，利用 LLMs 生成的语义嵌入增强表达能力，同时通过 GCN 捕捉交互结构。
此模块旨在通过卷积推理辅助 LLM 感知用户 - 项目图结构。卷积模块负责对图结构建模，逐层聚合目标节点及其邻居节点的文本描述，并将聚合信息传递给 LLMs。
关键策略是逐层推理机制：每次仅聚合一阶邻居的文本描述，随着模型层数增加，逐步捕获高阶邻居信息。这不仅提高了计算效率，还使得 LLM 能更有效地利用图结构信息生成优化后的用户描述。
[图 5：GaCLLM 模型图] [图 6：基于大语言模型的图卷积推理模块]
该模块将 GCN 生成的目标节点嵌入与文本嵌入进行元素级相加，再经过多层感知机（MLP）捕捉非线性关系。公式上，用户和项目的最终嵌入由变换矩阵和邻居信息共同决定。
为了服务于推荐任务，论文提出了内积匹配方法，计算用户和最终嵌入之间的内积作为推荐评分。这种组合方式有效融合了结构信息和语义信息。
[图 7：基于 GCN 的嵌入对齐模块]
GaCLLM 在 4 个标准数据集上相对于其他方法均取得了较好效果，证明了图结构与 LLM 结合的可行性。
[图 8：实验结果]
本文从利用文本信息增强推荐效果的角度出发，详细介绍了 RLMRec 和 GaCLLM 两项最新工作。RLMRec 聚焦于对齐文本描述与协同表示，通过互信息最大化去噪；GaCLLM 则从提高文本质量角度出发，构建图卷积推理模块优化表示。
这些研究表明，LLMs 在未来的推荐系统中拥有巨大潜力。未来的研究和应用可能会进一步提升推荐系统的个性化和智能化，主要方向包括：
尽管面临计算成本和延迟的挑战，但随着模型压缩和推理加速技术的发展，LLM 赋能的推荐系统将成为行业主流趋势。开发者应关注如何平衡语义理解的深度与系统响应的实时性，以构建更加智能的推荐生态。
注：本文内容基于相关学术研究成果整理，旨在技术交流。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
