LLM增强多图学习与对比对齐的兴趣点推荐

论文提出LLM-MGCL模型，利用LLM生成的摘要和关键词构建语义图，并结合地理位置图，扩展LightGCN。在Yelp多模态推荐数据集上，Recall@20提升52.0%，NDCG@20提升64.8%，优于传统协同过滤和仅交互图神经网络，与最强对比基线SGL相当。

传统GNN推荐模型面临冷启动问题，对交互少的项目表现不佳。LLM-MGCL利用语义和地理信息辅助，显著提升推荐精度，并证明对比对齐是主要驱动因素，为推荐系统提供了新思路。

LLM-MGCL在LightGCN基础上增加两个辅助图：基于LLM生成摘要的关键词语义图，和基于地理距离的地理图。并行传播嵌入后加性融合，通过双向InfoNCE目标对齐行为、语义和空间表征，缓解冷启动问题。

对于基于位置的推荐产品，可借鉴该方法整合文本和地理信息，提升新店推荐效果。研发上需集成LLM生成摘要和构建多图，增加计算开销，但可能改善用户体验和留存。

• 在冷启动场景中，利用语义图推荐相似文本描述的新POI，提升覆盖率。
• 结合地理图，为用户推荐附近相似类型地点，增强本地化推荐。
• 开发多视图融合的推荐系统，通过对比学习提升表征质量。
• 采用LLM生成摘要作为辅助特征，降低对交互数据依赖。

• LLM生成摘要的成本和延迟是否影响实际部署？
• 该方法在非英语数据集上效果如何？
• 对比基线SGL是否已包含地理或语义信息？
• 超大数据规模下多图并行计算是否可扩展？