LLMRec: Large Language Models with Graph Augmentation for Recommendation

数据稀疏性一直是推荐系统中的难题，先前的研究尝试通过加入辅助信息来解决这个问题。然而，这种方法常常会引入噪声、可用性问题和低质量数据等副作用，进而影响用户偏好的准确建模，对推荐性能产生负面影响。鉴于大型语言模型（LLMs）的最新进展，这些模型具有广泛的知识库和强大的推理能力，我们提出了一种新颖的框架LLMRec，通过采用三种简单而有效的基于LLM的图增强策略来增强推荐系统。我们的方法利用在线平台（如Netflix、MovieLens）中丰富的内容来增强交互图，具体包括以下三种方式：（i）加强用户-物品交互边缘，（ii）增强物品节点属性的理解，（iii）从自然语言角度进行用户节点分析。通过采用这些策略，我们解决了推荐系统中的稀疏隐式反馈和低质量辅助信息等挑战。此外，为确保增强数据的质量，我们开发了一种去噪数据鲁棒性机制，其中包括噪声隐式反馈修剪和基于MAE的特征增强技术，有助于精细化增强数据并提高其可靠性。此外，我们提供了理论分析，支持LLMRec的有效性，并阐明了我们的方法在促进模型优化方面的好处。基准数据集上的实验结果表明，我们的基于LLM的增强方法优于现有技术。为确保可重复性，我们已经公开了我们的代码和增强数据，可在以下网址找到：https://github.com/HKUDS/LLMRec.git。

解决问题：如何在推荐系统中解决数据稀疏问题，提高推荐准确度？

关键思路：利用大型语言模型（LLM）进行图增强，包括强化用户-物品交互边、增强物品节点属性理解、从自然语言角度进行用户节点分析，并使用去噪数据鲁棒化机制提高数据可靠性。

亮点：利用LLM进行图增强，提高推荐准确度；使用去噪数据鲁棒化机制提高数据可靠性；实验结果表明该方法优于现有的技术；提供开源代码和数据集。

相关研究：推荐系统中解决数据稀疏问题的研究已有很多，包括基于内容的推荐、协同过滤、深度学习等。