ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta
ConnectionMind：社交图谱路径推理驱动的LLM推荐框架
🧭 社交推荐 · 图路径推理 · LLM策略 ★ 深度解读
Michigan State University · Meta Platforms, Inc.
将社交推荐形式化为异构图上的路径探索，LLM策略选择性发现证据路径，在Meta线上提升观看时长0.43%
📌 工作参考价值（4 点）
- 异构社交关系显式建模：将用户、物品、创作者、群组等纳入统一异构图，定义多种关系类型，把推荐转化为路径发现。电商可引入用户-好友、店铺关注、购物群等关系，生成可解释的推荐路径。
- SFT+RL两阶段训练范式：SFT用历史最短路径做行为克隆，RL采用规则化奖励（格式、F1、路径shaping）优化全局推荐质量。该奖励设计（尤其用子图内可达正样本的F1作为奖励）可直接用于需要序列决策的推荐场景。
- Teacher–Student混合推理架构：高活用户用LLM直接推理，普通用户通过知识蒸馏到轻量GNN，兼顾推理能力与毫秒级延迟。对于需要大模型推理但性能受限的场景极具参考价值。
- 多模态→紧凑文本的预处理流：视频经OCR、ASR、VidLLM转换为文本摘要，供LLM高效处理。类似流程可用于商品的多模态信息（描述、图片、视频）的文本化，降低LLM推理成本。