这篇文档属于类型a，是一篇关于原创研究的学术论文。以下是详细的学术报告：
主要作者与机构
本研究由以下作者合作完成：
- Yuhan Li（香港科技大学广州校区）
- Xinni Zhang（香港中文大学）
- Linhao Luo（澳大利亚莫纳什大学）
- Heng Chang（华为技术有限公司北京研究所）
- Yuxiang Ren（华为技术有限公司上海研究所）
- Irwin King（香港中文大学）
- Jia Li（香港科技大学广州校区，通讯作者）
论文标题为《G-RecFer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation》，发表于ACM Web Conference 2025 (WWW ‘25)，会议地点为澳大利亚悉尼。论文已开源，代码和数据可在GitHub获取。
学术背景
研究领域与动机
本研究属于可解释推荐系统（Explainable Recommendation）领域，结合了图检索（Graph Retrieval）与大语言模型（Large Language Models, LLMs）技术。现有推荐系统虽能预测用户兴趣，但缺乏透明性，用户难以理解推荐逻辑。传统方法通过协同过滤（Collaborative Filtering, CF）或图神经网络（Graph Neural Networks, GNNs）提取隐含特征，但存在两大挑战：
1. CF信号隐式化：GNN生成的用户-物品嵌入难以直接解释。
2. 模态鸿沟（Modality Gap）：图结构与自然语言之间的差异阻碍LLMs有效利用图信息。
本研究提出G-RecFer框架，旨在通过显式检索用户-物品交互图中的CF信号，生成个性化、可解释的推荐理由。
研究流程与方法
1. 混合图检索机制（Hybrid Graph Retrieval）
- 目标：从结构（路径）和语义（节点）两个视角显式提取CF信息。
- 路径级检索器（Path-Level Retriever）：
- 基于GNN（如R-GCN或LightGCN）学习用户-物品交互图的嵌入。
- 通过Page-Link算法学习边掩码（Edge Mask），利用Dijkstra最短路径算法提取前k条解释路径。
- 创新点：引入m-core剪枝去除低度数节点，提升路径质量。
- 节点级检索器（Node-Level Retriever）：
- 使用双编码器（Dual-Encoder）计算用户和物品的语义相似性，检索Top-k相关节点。
- 语义相似性通过预训练语言模型（如Sentence-BERT）生成。
- 图翻译（Graph Translation）：将检索的路径和节点转化为自然语言描述，供LLMs理解。
2. 知识剪枝（Knowledge Pruning）
- 动机：部分用户-物品对的推荐理由可直接从其属性生成，无需额外CF信息。
- 方法：通过计算用户-物品属性与真实解释的语义相似性，过滤冗余样本（剪枝比例t=70%），提升训练效率。
3. 检索增强微调（Retrieval-Augmented Fine-Tuning, RAFT）
- 目标：增强LLMs利用检索到的CF信息生成解释的能力。
- 方法：
- 采用轻量级LoRA（Low-Rank Adaptation）微调策略，减少参数量。
- 输入包括用户/物品属性、检索的CF信息及提示模板，通过语言建模损失优化生成结果。
主要结果
实验设计与数据集
在三个公开数据集（Amazon-Books、Yelp、Google-Reviews）上评估，对比5种基线模型（如NRT、XRec）。
关键性能指标
- 可解释性（Explainability）：
- BERTScore：G-RecFer在BERT F1分数上较最优基线（XRec）提升1.67%-2.81%，其中BERT Recall提升显著（4.56%-8.67%），表明生成的解释包含更多关键信息。
- 人类评估：在Yelp和Google-Reviews数据集上，80%以上的案例中G-RecFer的解释更受青睐。
- 稳定性（Stability）：标准差低于基线，表明生成质量更稳定。
案例研究
例如，用户因“共同喜欢漫威电影”或“演员本尼迪克特·康伯巴奇”而推荐《奇异博士》，G-RecFer能显式结合路径（用户A→物品1→用户B→物品2）和语义（演员关联）生成解释。
结论与价值
科学价值
- 方法创新：首次将图检索增强技术与LLMs结合，解决可解释推荐中的隐式CF和模态鸿沟问题。
- 性能突破：在多个指标上超越SOTA，尤其通过显式路径和节点检索提升解释的完整性和个性化。
应用价值
- 商业场景：帮助电商、内容平台提供透明推荐，增强用户信任。
- 技术扩展：框架可迁移至其他需结合图结构与自然语言的任务（如知识图谱推理）。
研究亮点
- 多粒度检索：同时利用路径（结构）和节点（语义）信息，覆盖更全面的CF信号。
- 轻量级微调：通过LoRA和知识剪枝降低计算成本，适合大规模图数据。
- 可解释性增强：显式路径生成使推荐逻辑可验证，减少LLMs的幻觉风险。
其他价值
- 开源贡献：公开代码与数据，推动可解释推荐领域的复现与改进。
- 跨领域启示：为图结构与大语言模型的融合提供了新范式。