TRWH：文本驱动的随机游走异构图神经网络用于语义感知的稀疏推荐

TRWH框架将大型语言模型生成的文本概要融入异构图神经网络，通过随机游走构造二阶关联来缓解稀疏推荐问题。在Amazon Fashion和Beauty数据集上，TRWH相比现有最优方法分别实现RMSE降低80%、MAE降低52.6%以及RMSE降低25.7%、MAE降低10.8%的效果。同时发现随机游走可能稀释LLM习得的语义表示，需自适应融合。

此前GNN与LLM的融合多直接拼接或简单聚合，难以在稀疏场景中保持语义精度。TRWH首创通过随机游走增强异构图边，同时保留LLM文本特征的细粒度语义，在数十万级商品数据集上取得显著精度提升，为冷启动和稀疏推荐提供了新路径。

TRWH由三个组件构成：①利用Word2Vec和LLM生成用户/物品的嵌入表示；②异构图神经网络跨多种关系边传播信息；③随机游走构造二阶用户-用户和物品-物品链接，弥补稀疏图中缺失的直接交互。但随机游走对LLM嵌入的稀释效应表明，需平衡结构增强与语义保真度。

对于处理大规模商品库且交互稀疏的推荐系统，TRWH可直接用于提升冷启动用户的召回和排序精度。工程上需集成LLM文本摘要生成与异构图传播管道，计算开销较传统GNN略有增加，但通过随机游走离线结构化可缓存。

• 在电商或内容平台的稀疏推荐场景中，引入LLM生成物品/用户文本描述，并采用TRWH框架替代现有图推荐模型，预期可降低冷启动推荐误差20%以上
• 基于TRWH的随机游走策略，开发自适应融合模块，当用户交互密度低于阈值时增强二阶路径权重，否则降低，以平衡语义与结构信号

• TRWH在更多非Amazon领域（如视频、社交）数据上的泛化效果尚未公开验证
• 随机游走对LLM嵌入的稀释具体发生在哪些层级或路径长度上？自适应策略如何设计？
• 80%的RMSE降低是否因基准选择（如随机初始化）导致，能否在标准Baseline上复现？