研究人员开发了一种名为LLM增强的多图对比学习（LLM-MGCL）的新方法，以改进兴趣点（POI）推荐，特别是解决了交互数据有限的物品的冷启动问题。该方法将源自LLM生成的摘要和关键词的语义信息，以及地理数据，整合到多图神经网络中。在Yelp多模态推荐数据集上的实验表明，与现有方法相比，召回率和NDCG分数有了显著提高，凸显了LLM衍生的知识在增强推荐系统方面的有效性。 AI
影响 这项研究展示了LLM衍生的语义知识如何显著改进推荐系统，特别是对于交互数据有限的物品。
排序理由 该集群包含两篇相同的arXiv提交，详细介绍了一种新颖推荐系统的新研究论文。
- arXiv
- haversine
- InfoNCE
- LightGCN
- LLM-MGCL
- Self-Supervised Graph Learning With Hyperbolic Embedding for Temporal Health Event Prediction
- Yelp Multimodal Recommendation Dataset
- LLM-augmented Multi-Graph Contrastive Learning
- NDCG@20
- Recall@20
- Self-supervised Graph Learning (SGL)
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
