DynLLM: Cuando los Modelos de Lenguaje Grande Encuentran Recomendación Dinámica de Grafos

El año pasado se ha visto un interés considerable en los Modelos de Lenguaje Grande (LLMs) por sus posibles aplicaciones en sistemas de recomendación, que pueden mitigar el persistente problema de la escasez de datos. A pesar de que se han realizado grandes esfuerzos para la ampliación de grafos de usuario-artículo con un mejor rendimiento en recomendaciones basadas en grafos, pueden no lograr abordar la tarea de recomendación de grafos dinámicos, que involucra tanto la dinámica estructural como temporal de los grafos con una complejidad inherente en el procesamiento de datos en evolución temporal. Para cerrar esta brecha, en este documento, proponemos un nuevo marco, llamado DynLLM, para abordar la tarea de recomendación de grafos dinámicos con LLMs. Específicamente, DynLLM aprovecha el poder de los LLMs para generar perfiles de usuario multifacéticos basados en las ricas características textuales de los registros de compra históricos, incluyendo segmentos de multitudes, intereses personales, categorías preferidas y marcas favoritas, lo que a su vez complementa y enriquece las relaciones subyacentes entre usuarios y artículos. En esta línea, para fusionar los perfiles multifacéticos con la incrustación de grafos temporales, utilizamos LLMs para derivar las incrustaciones de perfil correspondientes, y además empleamos un mecanismo de atención destilada para refinar las incrustaciones de perfil generadas por LLM para aliviar señales ruidosas, al mismo tiempo que evaluamos y ajustamos la relevancia de cada incrustación de faceta destilada para una integración fluida con la incrustación de grafos temporales de grafos dinámicos de tiempo continuo (CTDGs). Experimentos extensivos en dos conjuntos de datos de comercio electrónico reales han validado las superiores mejoras de DynLLM sobre una amplia variedad de métodos de referencia de última generación.