随着世界向个人数字体验发展，推荐系统虽然已成为从电商到媒体流媒体的必需品，但却未能模拟用户的偏好以提供更好的推荐。传统模型无法捕捉用户-物品交互背后的细微原因，因此只能提供广义的推荐。由于这种有限的推理能力的限制，大型语言模型代理因此只能根据用户的基本描述和过去的交互进行操作，而缺乏对用户偏好进行解释和推理所需的深度。这种对有限推理能力的限制加剧了维护代理的用户配置文件的不完整性或缺乏特异性，因此使得代理难以提出既准确又上下文丰富的推荐。因此，在推荐系统中有效地建模这种复杂的偏好，在提高推荐准确性和改善用户满意度方面起着重要作用。

虽然经典的BPR和最先进的基于深度学习的框架（如SASRec）提高了用户偏好的预测性能，但这种改进是以一种不可解释的方式进行的；它缺乏对用户行为的任何基于推理的理解。在这方面，传统模型要么基于交互矩阵，要么基于简单的文本相似性，这严重限制了它们对用户动机洞察力的可解释性。深度学习方法虽然在捕捉顺序用户交互方面很强大，但在需要推理能力时却显得不足。虽然基于LLM的系统功能更强大，但它们主要依赖于仅仅的物品描述，而这些描述并未包含用户偏好背后的完整推理。因此，这种差距指出了需要一种新的方法，该方法基于结构化、可解释的基础来捕捉和模拟这种复杂的用户-物品交互。

为了弥补这些差距，来自Notre Dame大学和Amazon的研究人员引入了知识图谱增强语言代理（KGLA），这是一个用知识图谱（KGs）的上下文深度来丰富语言代理的框架，以模拟更准确和基于推理的用户配置文件。在KGLA中，KG路径被用作自然语言描述，向语言代理提供偏好背后的推理，这使得模拟更有意义，更接近真实世界的行为。KGLA包括三个主要模块：路径提取，侧重于发现KG中连接用户和物品的路径；路径转换，将这些连接转换成可理解的、基于语言的描述；最后，路径合并，将这些描述合并到代理模拟中。由于KGLA利用KG路径来解释用户选择，它允许代理学习一个细粒度的配置文件，该配置文件比以前的方法更精确地反映用户偏好，并解决了传统方法和基于语言模型的方法的局限性。

在本文中，KGLA框架在三个基准推荐数据集上进行了评估，包括包含用户、物品、产品特征等实体以及诸如“produced by”或“belongs to”等关系的结构化知识图谱。对于每个用户-物品对，KGLA在其路径提取模块的帮助下检索2跳和3跳路径，封装了详细的偏好信息。然后，这些路径被转换成更短的自然语言描述，使得2跳的token长度减少了约60%，3跳路径的token长度减少了高达98%。通过这种方式，语言模型将能够一次性处理它们，而不会有超过token限制的麻烦。路径合并将这些描述直接嵌入到用户-代理配置文件中，以使用正样本和负样本增强模拟，从而创建全面的配置文件。这种结构使用户代理能够进行基于偏好的选择，并提供详细的支持推理，从而根据与物品不同属性的各种交互集来优化配置文件。

KGLA框架在所有测试数据集上都比现有模型取得了实质性的改进，包括在CDs数据集中NDCG@1准确率提高了95.34%。这些性能提升归功于丰富的用户-代理配置文件，因为添加KG路径允许代理通过为偏好提供可解释的推理来更好地模拟真实世界的用户行为。该模型还展示了随着包含2跳和3跳KG路径而增加的准确率，证实了多层方法可以提高推荐精度，尤其是在数据稀疏或用户交互复杂的情况下。

总之，KGLA代表了一种推荐系统的新方法，它将来自知识图谱的结构化知识与基于语言的模拟代理相结合，用有意义的推理来丰富用户-代理配置文件。该框架的组件——路径提取、路径转换和路径合并——协同工作以提高推荐准确率，在基准数据集上的性能优于传统方法和基于LLM的方法。通过将可解释性引入用户偏好建模，KGLA为开发基于推理的推荐系统提供了坚实的基础，使该领域更接近个性化、上下文丰富的数字交互。