X-KGRank：知识图 RAG 框架，通过模式挖掘和 LLM 重新排序提供可解释的建议

现代推荐系统产生用户无法询问的预测。协同过滤和基于 LLM 的推理这两项主要改进均存在不足：协同过滤捕获行为信号但不提供推理，而 大语言模型 (LLM) 生成流畅的解释，但产生幻觉并且缺乏用户历史基础。我们提出了 X-KGRank，一个知识图谱检索增强框架，它将结构协同过滤与基于 LLM 的解释相结合。根据 MovieLens-1M 数据集（6,040 个用户、3,704 个项目、988,129 个交互），我们构建了一个异构知识图，该知识图包含 9,762 个节点和 999,264 条边，跨越三种关系类型（RATED、HAS_GENRE 和 CO_RATED），并保存在 Neo4j 中。我们使用内容感知 SBERT 初始化和评级加权 BPR 目标来训练 LightGCN 排名器，并应用流行选择性路由策略，将长尾项目（3,704 中的 1,855 个）置于知识图路径中，同时从预先训练的知识中提供流行项目，从而将 KG 增强生成减少大约 50%。在 99 个样本协议下的 MovieLens-1M 测试集上，X-KGRank 实现了 NDCG@10 = 0.2956 和 Recall@10 = 0.5371，在这两个指标上都比强大的流行度基线提高了 17.1%，在 NDCG@20 上提高了 15.6%（0.3449 vs. 0.2983），在 MRR 上提高了 14.6% （0.2435 与 0.2124）。在对 16 个案例进行评估的三个 LLM 主干中，15 亿参数模型 (Qwen2.5-1.5B) 在启发式解释质量上与 70 亿参数模型 (Mistral-7B) 相匹配（0.97 与 0.94），但定性分析显示较小的模型更容易进行事实捏造。