CPGRec+：一种以平衡为导向的个性化电子游戏推荐框架

游戏推荐系统需平衡准确性与多样性，现有GNN方法因过度平滑影响效果。本文提出CPGRec+，新增PER模块通过正负边权重量化用户偏好，缓解GNN平滑问题；PRG模块利用LLM生成游戏与用户 contextualized描述，提升表征质量。实验验证其优于SOTA方法。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

游戏行业的快速发展需要针对其动态环境定制的高级推荐系统。现有的基于图神经网络（GNN）的方法主要关注准确性而非多样性，忽视了它们之间的内在权衡。为了解决这个问题，我们之前提出了CPGRec，这是一个注重平衡的游戏推荐系统。然而，CPGRec未能考虑到玩家与游戏互动中的关键差异，这些差异在反映玩家个人偏好方面具有重要意义，并可能加剧基于GNN的模型中存在的过度平滑问题。此外，现有方法未能充分利用大型语言模型（LLM）的推理能力和广泛知识来克服这些局限性。为了弥补这一差距，我们提出了两个新模块。首先，偏好信息驱动的边权重重置（PER）模块为玩家的兴趣和不感兴趣之处分配有符号的边权重，从而在图卷积中定量衡量偏好强度，以减轻过度平滑现象。其次，偏好信息驱动的表示生成（PRG）模块利用LLM通过比较全局和个人兴趣来推理个人偏好，从而生成游戏和玩家的上下文化描述，从而细化玩家和游戏的表示。在两个Steam数据集上的实验表明，CPGRec+的准确性和多样性优于现有最先进模型。代码可在https://github.com/HsipingLi/CPGRec-Plus获取。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的版本。

要查看此由人工智能生成的简单语言摘要，您必须具有高级访问权限。