Graph Foundation Models for Recommendation: A Comprehensive Survey
作者: Bin Wu, Yihang Wang, Yuanhao Zeng, Jiawei Liu, Jiashu Zhao, Cheng Yang, Yawen Li, Long Xia, Dawei Yin, Chuan Shi
分类: cs.IR, cs.AI, cs.LG
发布日期: 2025-02-12 (更新: 2025-02-17)
💡 一句话要点
综述图基础模型在推荐系统中的应用，整合GNN与LLM优势以提升推荐性能。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 推荐系统 图神经网络 大型语言模型 图基础模型 用户建模 物品建模 深度学习 综述
📋 核心要点
- 传统推荐系统难以有效融合用户-物品交互的结构信息和文本信息，导致推荐效果受限。
- 图基础模型（GFM）通过结合GNN的结构信息提取能力和LLM的文本理解能力，实现更高效的推荐建模。
- 该综述系统性地整理了GFM在推荐系统中的应用，并对现有方法进行了分类、分析和展望。
📝 摘要（中文）
推荐系统是引导用户在海量在线信息中进行选择的重要工具。深度学习的进步，特别是图神经网络（GNNs）和大型语言模型（LLMs），在提高排序准确性方面发挥着越来越重要的作用。GNN擅长提取高阶结构信息，而LLM则擅长处理和理解自然语言。最近的研究集中在图基础模型（GFMs）上，它结合了GNN和LLM的优势，通过利用用户-物品关系的图结构以及文本理解，更有效地建模复杂的推荐系统问题。本综述全面概述了基于GFM的推荐系统技术，介绍当前方法的清晰分类，深入研究方法细节，并强调关键挑战和未来方向。通过综合最近的进展，旨在为基于GFM的推荐系统不断发展的格局提供有价值的见解。
🔬 方法详解
问题定义：现有推荐系统方法在处理用户-物品关系时，往往难以充分利用图结构信息和文本信息。传统的基于GNN的方法可能忽略了丰富的文本语义，而基于LLM的方法则可能无法有效捕捉用户-物品之间的复杂交互关系。因此，如何有效地融合图结构和文本信息，提升推荐系统的性能，是一个重要的研究问题。
核心思路：该综述的核心思路是总结和分析近年来提出的图基础模型（GFM）在推荐系统中的应用。GFM旨在结合图神经网络（GNN）和大型语言模型（LLM）的优势，利用GNN提取用户-物品交互的图结构信息，并利用LLM理解用户和物品的文本描述，从而实现更准确和个性化的推荐。
技术框架：该综述首先对GFM在推荐系统中的应用进行了分类，然后深入介绍了各种方法的具体技术细节，包括如何构建图结构、如何利用GNN进行图表示学习、如何利用LLM进行文本表示学习，以及如何将图表示和文本表示进行融合。此外，该综述还讨论了GFM在推荐系统中的一些关键挑战和未来发展方向。
关键创新：该综述的关键创新在于对GFM在推荐系统中的应用进行了系统性的总结和分析，并提出了一个清晰的分类框架。这有助于研究人员更好地理解GFM的优势和局限性，并为未来的研究提供指导。
关键设计：该综述没有提出新的模型或算法，而是对现有方法进行了梳理和总结。因此，没有具体的参数设置、损失函数或网络结构等技术细节需要描述。重点在于对现有方法的分类、分析和比较。
🖼️ 关键图片
📊 实验亮点
该综述系统地整理了近年来图基础模型在推荐系统中的应用，为研究人员提供了一个全面的参考。通过对现有方法的分类和分析，指出了GFM的优势和局限性，并为未来的研究方向提供了有价值的见解。虽然没有提供具体的性能数据，但该综述为理解和应用GFM奠定了基础。
🎯 应用场景
该研究成果对推荐系统领域具有广泛的应用价值，可应用于电商、社交媒体、在线视频等各种场景。通过利用图基础模型，可以更准确地理解用户偏好和物品特征，从而提供更个性化和高质量的推荐服务，提升用户体验和平台收益。未来的研究可以进一步探索GFM在冷启动、多模态推荐等方面的应用。
📄 摘要（原文）
Recommender systems (RS) serve as a fundamental tool for navigating the vast expanse of online information, with deep learning advancements playing an increasingly important role in improving ranking accuracy. Among these, graph neural networks (GNNs) excel at extracting higher-order structural information, while large language models (LLMs) are designed to process and comprehend natural language, making both approaches highly effective and widely adopted. Recent research has focused on graph foundation models (GFMs), which integrate the strengths of GNNs and LLMs to model complex RS problems more efficiently by leveraging the graph-based structure of user-item relationships alongside textual understanding. In this survey, we provide a comprehensive overview of GFM-based RS technologies by introducing a clear taxonomy of current approaches, diving into methodological details, and highlighting key challenges and future directions. By synthesizing recent advancements, we aim to offer valuable insights into the evolving landscape of GFM-based recommender systems.