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

📄 arXiv: 2605.07314v1 📥 PDF

作者: Xinchi Zou, Tongzhenzhi Su, Jianjun Li, Yuan Fu, Chang Liu, Zhiying Deng, Zhiwei Shen

分类: cs.IR, cs.AI

发布日期: 2026-05-08

备注: Accepted by SIGIR 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出双通道图学习框架DCGL，通过解耦语义与行为模式提升知识感知推荐性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 知识图谱 大语言模型 推荐系统 对比学习 特征解耦 多模态融合

📋 核心要点

  1. 现有方法在处理KG与LLM融合时，存在隐式语义建模缺失、嵌入融合导致的信号干扰以及对用户交互频率差异关注不足等问题。
  2. DCGL框架通过双通道架构实现语义与行为的解耦，引入多级对比学习增强鲁棒性，并利用动态融合机制平衡泛化与特异性。
  3. 实验结果显示，DCGL在四个真实数据集上均超越了当前主流推荐模型，特别是在数据稀疏场景下表现出显著的性能提升。

📝 摘要（中文）

知识图谱（KG）通过捕捉潜在的项目关系在推荐系统中表现出色，而大语言模型（LLM）的引入进一步增强了语义理解并缓解了知识稀疏性问题。然而，现有的KG与LLM结合方法仍面临三大挑战：1）对KG显式链接之外的隐式语义建模不足；2）ID嵌入与LLM嵌入的单通道融合导致信号干扰与表示模糊；3）在推荐策略中对用户-项目交互频率差异的考量不足。为此，本文提出了双通道图学习（DCGL）框架。其核心创新包括：1）双通道架构，在结构上解耦语义信息与行为模式以防止早期干扰；2）多级对比学习机制，通过视图内对比增强对KG噪声的鲁棒性，并通过视图间对齐弥合语义鸿沟；3）动态融合机制，根据交互频率自适应平衡语义泛化与行为特异性。在四个真实数据集上的实验表明，DCGL在稀疏场景下显著优于现有SOTA方法，同时保持了对活跃用户的推荐精度。

🔬 方法详解

问题定义：论文旨在解决知识感知推荐中，如何有效融合大语言模型提供的丰富语义信息与用户行为数据，同时克服现有方法在特征融合阶段产生的信号干扰及对不同活跃度用户处理不当的问题。

核心思路：核心思想是“解耦与自适应融合”。通过将语义特征与行为特征置于独立的通道中进行处理，避免了早期融合带来的噪声干扰，并利用对比学习强化特征表示，最后根据用户活跃度动态调整融合权重。

技术框架：DCGL包含三个主要模块：双通道编码器（分别处理语义图与行为图）、多级对比学习模块（包含视图内与视图间对比）、以及基于交互频率的动态融合层。

关键创新：最重要的创新在于双通道架构的解耦设计，它从结构上解决了语义信息与行为模式在特征空间中的冲突，并通过动态融合机制实现了对不同用户群体的个性化适配。

关键设计：采用多级对比学习损失函数来对齐语义与行为视图，并设计了一个基于交互频率的门控机制，该机制能够根据用户历史交互数量自动调节语义泛化与行为特异性特征的权重比例，从而优化推荐结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DCGL在四个真实世界数据集上进行了广泛评估，结果显示其在Recall和NDCG等核心指标上均显著优于现有的SOTA模型。特别是在数据稀疏场景下，DCGL展现了极强的鲁棒性，性能提升幅度明显，同时在活跃用户群体中依然保持了极高的推荐精度，证明了其动态融合机制的有效性。

🎯 应用场景

该研究适用于电商、流媒体及社交平台等需要深度理解用户兴趣与物品属性的推荐场景。特别是在冷启动或长尾数据分布明显的系统中，DCGL能够通过LLM的语义增强能力有效缓解数据稀疏问题，提升整体推荐系统的覆盖率与用户满意度，具有极高的工业应用价值。

📄 摘要（原文）

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.