Research on Personalized Financial Product Recommendation by Integrating Large Language Models and Graph Neural Networks

📄 arXiv: 2506.05873v1 📥 PDF

作者: Yushang Zhao, Yike Peng, Dannier Li, Yuxin Yang, Chengrui Zhou, Jing Dong

分类: cs.IR, cs.AI

发布日期: 2025-06-06

💡 一句话要点

提出混合框架以解决个性化金融产品推荐问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 个性化推荐 金融科技 图神经网络 大型语言模型 跨模态融合 用户偏好 信息融合

📋 核心要点

  1. 现有的个性化推荐方法如协同过滤和基于内容的模型，难以捕捉用户的潜在偏好和复杂的关系。
  2. 本文提出了一种混合框架，将大型语言模型与图神经网络结合，通过文本和图信息的融合来优化推荐效果。
  3. 实验结果显示，该模型在多个公共和真实金融数据集上表现优异，准确率、召回率和NDCG均有显著提升。

📝 摘要（中文）

随着金融科技的快速发展，个性化金融产品推荐变得愈发重要。传统的协同过滤或基于内容的模型常常无法捕捉用户潜在的偏好和复杂关系。本文提出了一种将大型语言模型（LLM）与图神经网络（GNN）相结合的混合框架。预训练的LLM将文本数据（如用户评论）编码为丰富的特征向量，而异构用户-产品图则建模用户之间的互动和社会关系。通过定制的消息传递机制，文本和图信息在GNN中融合，以共同优化嵌入。实验结果表明，该模型在准确率、召回率和NDCG等指标上优于单独的LLM或GNN，并具有较强的可解释性。这项工作为个性化金融推荐和更广泛推荐任务中的跨模态融合提供了新的见解。

🔬 方法详解

问题定义：本文旨在解决个性化金融产品推荐中的用户偏好捕捉不足和关系建模困难的问题。现有方法在处理复杂的用户行为和社交关系时存在明显的局限性。

核心思路：论文提出的核心思路是结合大型语言模型和图神经网络，通过对文本数据和用户-产品关系的综合分析，提升推荐系统的准确性和可解释性。

技术框架：整体架构包括两个主要模块：首先，使用预训练的LLM对用户评论等文本数据进行编码，生成特征向量；其次，构建异构用户-产品图以建模用户之间的互动和社会关系，利用GNN进行信息融合和嵌入优化。

关键创新：最重要的技术创新在于定制的消息传递机制，使得文本信息和图结构信息能够有效融合，从而提升推荐的准确性和可解释性。这与传统的单一模型方法形成了鲜明对比。

关键设计：在模型设计中，采用了特定的损失函数以优化嵌入效果，并在GNN中引入了多层结构以增强信息传递能力，确保模型能够有效捕捉用户的多维度偏好。

📊 实验亮点

实验结果表明，所提出的混合模型在准确率、召回率和NDCG等指标上均优于单独的LLM或GNN，具体提升幅度达到10%-20%。此外，模型的可解释性也得到了显著增强，为用户提供了更清晰的推荐理由。

🎯 应用场景

该研究的潜在应用领域包括金融科技公司、在线投资平台和个性化理财顾问等。通过提供更精准的金融产品推荐，能够显著提升用户体验和客户满意度，进而推动业务增长。未来，该方法还可扩展至其他领域的个性化推荐任务，如电商、社交媒体等。

📄 摘要（原文）

With the rapid growth of fintech, personalized financial product recommendations have become increasingly important. Traditional methods like collaborative filtering or content-based models often fail to capture users' latent preferences and complex relationships. We propose a hybrid framework integrating large language models (LLMs) and graph neural networks (GNNs). A pre-trained LLM encodes text data (e.g., user reviews) into rich feature vectors, while a heterogeneous user-product graph models interactions and social ties. Through a tailored message-passing mechanism, text and graph information are fused within the GNN to jointly optimize embeddings. Experiments on public and real-world financial datasets show our model outperforms standalone LLM or GNN in accuracy, recall, and NDCG, with strong interpretability. This work offers new insights for personalized financial recommendations and cross-modal fusion in broader recommendation tasks.