G-Refer框架通过图检索增强大型语言模型，有效提升推荐系统的可解释性与用户接受度，让推荐理由更清晰。
原文标题：【WWW2025】G-Refer：基于图检索增强的大型语言模型用于可解释推荐
原文作者：数据派THU
冷月清谈：
本文介绍了一种名为G-Refer的新框架，旨在提升推荐系统的可解释性。该框架利用图检索增强的大型语言模型，通过混合图检索机制提取用户-物品交互图中的协同过滤（CF）信息，并使用图翻译模块将这些信息转化为自然语言文本，为大型语言模型生成推荐解释提供基础。此外，还引入了知识剪枝机制与检索增强微调策略，以增强大型语言模型处理和利用CF信息的能力。实验结果表明，G-Refer在可解释性、稳定性和泛化能力方面均优于现有方法，并提高了用户可接受性。
怜星夜思：
1、G-Refer框架中提到的“知识剪枝机制”具体是如何运作的？这种机制在提升LLM生成推荐解释的质量上起到了什么作用？
2、文章中提到了G-Refer在可解释性和稳定性方面表现更优，那么在实际应用中，如果用户对推荐解释不满意，或者认为解释不合理，G-Refer框架是否提供了相应的反馈机制或调整策略？
3、G-Refer框架强调了“图结构与自然语言之间存在的模态差异”，这是什么意思？这种差异会给推荐系统的可解释性带来什么挑战？
2、文章中提到了G-Refer在可解释性和稳定性方面表现更优，那么在实际应用中，如果用户对推荐解释不满意，或者认为解释不合理，G-Refer框架是否提供了相应的反馈机制或调整策略？
3、G-Refer框架强调了“图结构与自然语言之间存在的模态差异”，这是什么意思？这种差异会给推荐系统的可解释性带来什么挑战？
原文内容
来源：专知本文约1000字，建议阅读5分钟
我们提出了一种新框架——G-Refer，即基于图检索增强的大型语言模型用于可解释推荐。
**可解释推荐在帮助用户理解推荐逻辑方面展现出显著优势，从而提升了推荐系统的透明性、有效性与可信度。**为提供个性化且具可解释性的推荐解释，现有研究通常将大型语言模型（Large Language Models, LLMs）的生成能力与协同过滤（Collaborative Filtering, CF）信息相结合。由用户-物品交互图中提取的CF信息能够有效捕捉用户行为与偏好，对于生成具有信息价值的推荐解释至关重要。
然而，由于图结构本身的复杂性，从图中有效提取CF信息仍然面临挑战。此外，现有方法在将提取到的CF信息与LLMs集成时也存在困难，主要受限于CF信息的隐式表示形式及图结构与自然语言之间存在的模态差异（modality gap）。
为解决上述问题，我们提出了一种新框架——G-Refer，即基于图检索增强的大型语言模型用于可解释推荐。具体而言，我们首先设计了一种混合图检索机制，从结构与语义两个角度联合检索出显式的CF信号。随后，提出的图翻译模块将检索得到的CF信息转化为人类可理解的自然语言文本，为LLMs生成推荐解释提供基础信息支撑。
为了进一步缩小模态差异，我们引入了知识剪枝机制与检索增强微调（Retrieval-Augmented Fine-Tuning）策略，增强LLMs在处理和利用CF信息生成高质量解释方面的能力。
大量实验证明，G-Refer在可解释性与稳定性方面均优于现有主流方法，表现出更强的泛化能力和用户可接受性。
项目代码与数据已开源，地址为：https://github.com/Yuhan1i/G-Refer
