DynLLM：大規模言語モデルと動的グラフ推薦の融合

昨年は、大規模言語モデル（LLM）の推薦システムにおける潜在的な応用に対する関心が高まった年でした。これは、データの希薄性という持続的な問題を緩和する可能性があります。より良いグラフベースの推薦性能を持つユーザー-アイテムグラフの拡張に大きな努力がなされましたが、動的グラフ推薦タスクには対処できない場合があります。これは、時間的に変化するデータを処理する際の固有の複雑さを伴う構造的および時間的なグラフダイナミクスを含みます。このギャップを埋めるために、本論文では、LLMを用いて動的グラフ推薦タスクに対処するための新しいフレームワーク、DynLLMを提案します。具体的には、DynLLMは、歴史的購入記録の豊富なテキスト特徴を基に、クラウドセグメント、個人の関心、好みのカテゴリー、お気に入りのブランドを含む多面的なユーザープロフィールを生成するためにLLMの力を活用します。これにより、ユーザーとアイテム間の基礎的な関係を補完・強化します。この観点から、時間的グラフ埋め込みと多面的プロフィールを融合させるために、LLMを活用して対応するプロフィール埋め込みを導出し、さらに蒸留された注意メカニズムを利用して、ノイズ信号を緩和するためにLLM生成のプロフィール埋め込みを洗練させます。また、連続時間動的グラフ（CTDG）からの時間的グラフ埋め込みとのシームレスな統合のために、各蒸留されたファセット埋め込みの関連性を評価および調整します。2つの実際のeコマースデータセットに関する広範な実験により、DynLLMが多様な最先端ベースライン手法に対して優れた改善を示したことが検証されました。