التفاعلات المعززة بواسطة نماذج اللغة الكبيرة: الاستفادة من معلومات الحواف للتوصيات المحسّنة

تقوم طرق توصية الرسوم البيانية، والتي تمثل منظور التفاعل المتصل، بإعادة تشكيل تفاعلات المستخدم-item على شكل رسوم بيانية للاستفادة من هيكل الرسم البياني والتTopology الموصلة للتوصية وقد أثبتت فعالية عملية على نطاق واسع. تتميز نماذج اللغة الكبيرة، التي تمثل منظور التوليد النصي، بمهارتها في نمذجة لغات المستخدمين، وفهم السياقات السلوكية، والتقاط العلاقات الدلالية بين المستخدمين والعناصر، وتحليل المشاعر النصية، وتوليد نصوص متماسكة وملائمة سياقياً كتوصيات. ومع ذلك، هناك فجوة بين منظور الرسم البياني المتصل ومنظور توليد النصوص حيث أن صيغ المهام مختلفة. تطرح سؤال بحث: كيف يمكننا دمج المنظورين بشكل فعال من أجل أنظمة توصية أكثر تخصيصاً؟ لسد هذه الفجوة، نقترح دمج معلومات حواف الرسم البياني في نماذج اللغة الكبيرة من خلال الابتكارات في التحفيز والانتباه. نقوم بإعادة صياغة التوصيات كمشكلة توليد احتمالية باستخدام التحفيزات. نطور إطارًا يتضمن معلومات حواف الرسم البياني من آليات التحفيز والانتباه لتوصيات نماذج اللغة الكبيرة المرتبطة بالرسوم البيانية. نطور تصميم تحفيز جديد يجمع بين العلاقات الرسومية من الدرجة الأولى والثانية؛ ونبتكر آلية انتباه محسَّنة لنماذج اللغة الكبيرة لتضمين المعلومات المكانية وبنية الاتصال للحواف مباشرة. توضح تقييماتنا لمجموعات البيانات في العالم الحقيقي قدرة الإطار على فهم معلومات الاتصال في بيانات الرسوم البيانية وتحسين ملاءمة وجودة نتائج التوصية. تم إصدار الشيفرة المصدرية على: https://github.com/anord-wang/LLM4REC.git.