用大模型理解知识图谱以服务推荐

知识图谱被引入推荐系统，本意是借助条目之间的潜在关联缓解协同过滤的数据稀疏问题。但这条路线一直卡在几处结构性缺陷上：图谱本身不完整、文本信息被压成 ID 之后语义断裂、以及难以捕捉全图范围的高阶联系。这份资料给出的回应是，把大语言模型放进这条链路，用它的知识和推理能力去补图谱缺失的事实、读懂图谱里的文本，再重新组织推荐的表示。在 LLM 与 KG 结合成为推荐方向热点的时间点上，它提供了一个把三个问题放在同一个框架里处理的完整设计，而不是只针对其中一处打补丁。

需要先说明它的性质：这不是一篇领域综述，而是一篇提出具体方法并做实验验证的工作，发表在 SIGIR '25 上，代码已开源在 github.com/ziqiangcui/CoLaKG。作者来自香港城市大学、腾讯 FiT、McGill University & MILA、深圳大学和深圳技术大学，第一作者的工作是在腾讯实习期间完成的。方法命名为 CoLaKG，核心思路是把 KG 信息分成局部和全局两个层次分别处理，再用不同的融合机制接入推荐模型。验证在四个真实世界数据集上完成。

论文把现有 KG 增强推荐的问题归纳为三条，并配了一张示意图逐条说明。第一是知识图谱普遍存在事实缺失和覆盖范围有限，构建图谱依赖人工和领域知识，示意图里条目 A 与 B 本应通过属性 P 相连，但 A 缺失 P 属性，两者的关联就断了，原本共享属性的条目因此失去连接。第二是既有方法把图谱中的文本实体和关系转成 ID 使用，丢掉了条目之间天然的语义联系——“horror”和“thriller”语义相近，但落到 ID 51 和 320 上就看不出任何关系。第三是多数方法靠堆叠多层 GNN 逐层传播聚合来捕捉高阶关系，这种做法不仅效率低，还会累积大量无关节点信息，引发过平滑；当两个节点语义强相关却在图谱中相距很远时，现有方法很难把这条联系捕捉到。

CoLaKG 的应对可以按局部和全局两条线来看。局部层面，它以条目为中心抽取子图，配合 prompt engineering，让 LLM 准确理解这一小块邻域的信息，借 LLM 的知识补上缺失的事实。全局层面，它设计了一个基于语义的检索模块，为每个条目从整个知识图谱中检索相关条目来做丰富，从而绕开逐层传播、直接利用全图信息。这两部分再分别通过 representation fusion module 和 retrieval-augmented representation learning module 接入推荐模型。换句话说，LLM 在这里同时扮演了两个角色：图谱的补全者与语义的翻译器。

这一设计的含义在于，知识图谱的价值可能不只取决于它被建得多完整，还取决于有没有办法在推理时把缺失的部分补回来、把 ID 化过程中丢掉的语义找回来。把检索增强引入全局信息的利用，也是对 GNN 逐层传播这条路径的一次替代尝试，让“距离远但语义近”的节点从结构约束里解放出来。对工程实践而言，这类方案提示了一个方向：当图谱质量难以在短期内提升时，可以用模型侧的能力去对冲数据侧的不足。当然，这套思路的代价是把 LLM 的推理与检索引入了推荐链路，离线成本与在线延迟如何权衡，材料中没有展开。

想了解 LLM 如何与知识图谱、推荐系统结合的研究者和算法工程师，可以从这份资料里得到一个结构清晰的问题分解：三个痛点对应三处设计，局部与全局各有分工。做知识图谱构建或推荐召回的团队，也可以把它的子图抽取加 prompt 方案当作可复用的模板，代码开源降低了复现门槛。需要提醒的是，材料提供的是摘要与引言部分，四个数据集上的具体对比结果、基线选择和提升幅度都没有出现在这里；“实验证明方法更优”是作者的结论，具体证据要回到原文与代码中核对。此外，论文的诊断以示意图这类典型场景为出发点，真实业务中三个问题的相对严重程度可能不同，直接迁移前需要自行评估。

Comprehending Knowledge Graphs with Large Language Models for Recommender Systems Ziqiang Cui∗ City University of Hong Kong Hong Kong SAR [email protected] Yunpeng Weng FiT, Tencent Shenzhen, China [email protected] Xing Tang† FiT, Tencent Shenzhen, China [email protected] Fuyuan Lyu McGill University & MILA Montréal, Canada [email protected] Dugang Liu Shenzhen University Shenzhen, China [email protected] Xiuqiang He Shenzhen Technology University Shenzhen, China [email protected] Chen Ma† City University of Hong Kong Hong Kong SAR [email protected] Abstract In recent years, the introduction of knowledge graphs (KGs) has significantly advanced recommender systems by facilitating the dis- covery of potential associations between items. However, existing methods still face several limitations. First, most KGs suffer from missing facts or limited scopes.