GARDRec：大语言模型 建议的决策级图基础

大语言模型 (LLM) 通过自然语言提示解释项目描述、用户说明和外部知识，提供新的推荐机会。然而，现有的图增强 LLM 推荐器通常主要使用知识图作为提示级证据，从而使排名决策受到结构化用户-项目关系的弱约束。这对于下一项推荐来说是有问题的，其中模型必须在相同用户上下文下比较候选者，同时保留时间偏好、协作信号和属性匹配。为了解决这个问题，我们提出了 \emph{GARDRec}，一个基于图的自适应推理和决策感知推荐框架，用于基于 LLM 的下一项排名。 GARDRec 根据文本节点特征和图传播构建语义结构项目表示，从时间加权历史和一阶邻域导出个性化图上下文，并通过连续多模态提示将图导出表示与冻结的 LLM 对齐。通过后期决策分支注入显式交互和匹配特征，而候选者间的注意力和受限的生成可能性支持最终排名。在具有多个 LLM 主干的三个公共基准上进行的实验表明，GARDRec 总体上比代表性基准提高了候选排名性能。消融和诊断分析验证了图投影、邻域检索、显式决策特征、排名损失和生成校准的贡献。