DCGL: 지식 기반 추천을 위한 대규모 언어 모델과 이중 채널 그래프 학습

DCGL: Dual-Channel Graph Learning with Large Language Models for Knowledge-Aware Recommendation

지식 그래프(KG)는 잠재적인 항목 간의 관계를 파악하여 추천 시스템에서 매우 효과적인 것으로 입증되었으며, 최근 대규모 언어 모델(LLM)과의 통합은 의미 이해를 더욱 향상시키고 지식 희소성 문제를 해결했습니다. 그러나 현재 KG 및 LLM 기반 방법은 여전히 다음과 같은 세 가지 주요 제한 사항에 직면하고 있습니다. 1) 명시적인 KG 링크를 넘어선 암묵적인 의미 관계의 불충분한 모델링; 2) ID 및 LLM 임베딩의 최적화되지 않은 단일 채널 융합으로 인해 종종 신호 간섭과 흐릿한 표현이 발생함; 3) 추천 전략에서 사용자-항목 상호 작용 빈도의 변화에 대한 충분한 고려 부족. 이러한 과제를 해결하기 위해, 우리는 세 가지 주요 혁신을 특징으로 하는 이중 채널 그래프 학습(DCGL) 프레임워크를 제안합니다. 1) 풍부한 의미 정보를 사용자 행동 패턴으로부터 구조적으로 분리하여 초기 간섭을 방지하는 이중 채널 아키텍처; 2) 시야 내 대비를 통해 KG 노이즈에 대한 강건성을 향상시키고 시야 간 정렬을 통해 채널 간의 의미 격차를 해소하는 다단계 대비 학습 메커니즘; 3) 상호 작용 빈도를 기반으로 의미 일반화와 행동 특이성을 적응적으로 균형 있게 조정하여 연쇄적인 제한을 해결하는 동적 융합 메커니즘. 네 가지 실제 데이터 세트에 대한 광범위한 실험 결과, DCGL은 최첨단 방법보다 일관되게 우수한 성능을 보이며, 희소 시나리오에서 상당한 개선을 가져오면서 동시에 활성 사용자에 대한 정확도를 유지합니다. 당사의 코드는 https://github.com/XinchiZou/DCGL 에서 확인할 수 있습니다.

Knowledge Graphs (KGs) have proven highly effective for recommendation systems by capturing latent item relationships, while recent integration of Large Language Models (LLMs) has further enhanced semantic understanding and addressed knowledge sparsity issues. Nevertheless, current KG-and-LLM-based methods still face three main limitations: 1) inadequate modeling of implicit semantic relationships beyond explicit KG links; 2) suboptimal single-channel fusion of ID and LLM embeddings, which often leads to signal interference and blurred representations; and 3) insufficient consideration of user-item interaction frequency variations in recommendation strategies. To address these challenges, we propose the Dual-Channel Graph Learning (DCGL) framework, featuring three key innovations: 1) a dual-channel architecture that structurally decouples rich semantic information from user behavioral patterns, preventing early interference; 2) a multi-level contrastive learning mechanism that enhances robustness against KG noise through intra-view contrasts and bridges semantic gaps between channels via inter-view alignment; and 3) a dynamic fusion mechanism that adaptively balances semantic generalization and behavioral specificity based on interaction frequency, resolving the cascading limitation. Extensive experiments on four real-world datasets show that DCGL consistently outperforms state-of-the-art methods, yielding substantial improvements in sparse scenarios while maintaining precision for active users. Our code is available at https://github.com/XinchiZou/DCGL.