TRWH：面向语义感知稀疏推荐的文本驱动随机游走异质GNN

图神经网络（GNN）与大语言模型（LLM）分别通过建模结构信号与语义信号推进了推荐系统。然而，整合两者的互补优势仍然困难，尤其是在保持语义精度至关重要的稀疏场景。我们提出TRWH（Text-driven Random Walk Heterogeneous Graph Neural Network），一个通过策略性随机游走增强将LLM生成的文本画像与异质图结构相融合的新框架。TRWH包含三个核心组件：（1）嵌入创建，结合Word2Vec与基于LLM的画像生成用户与物品表示；（2）异质图神经网络（HeteroGNN），在多关系边上传播信息；（3）基于随机游走的路径构造，用二阶用户-用户与物品-物品链接丰富稀疏图。在Amazon-2023 Fashion（200万用户、82.5万物品）与Beauty（63.1万用户、11.2万物品）数据集上的实验表明，TRWH相较最先进方法取得显著性能提升，包括在Fashion上RMSE降低80.0%、MAE降低52.6%，在Beauty上分别改进25.7%与10.8%。值得注意的是，随机游走虽能在传统嵌入下提升性能，却可能稀释LLM学到的精细表示，这凸显了自适应整合策略的重要性。