Dans cet article, nous proposons un nouveau cadre de recommandation qui intègre les avantages des systèmes de recommandation basés sur des graphes et des systèmes de recommandation basés sur un modèle de langage à grande échelle (LLM). Alors que les systèmes de recommandation basés sur des graphes représentent les interactions utilisateur-élément sous forme de graphes et exploitent la structure et la topologie du graphe, les systèmes de recommandation basés sur un modèle de langage à grande échelle (LLM) excellent dans la modélisation du langage utilisateur, la compréhension du contexte comportemental et l'identification des relations sémantiques utilisateur-élément. Dans cet article, nous proposons une méthode permettant de combiner efficacement ces deux perspectives en intégrant les informations du graphe dans les mécanismes d'invite et d'attention. Plus précisément, nous développons une nouvelle conception d'invite qui inclut des relations de graphe de premier et de second ordre, ainsi qu'un mécanisme d'attention LLM amélioré qui intègre directement les informations spatiales et de connectivité du graphe. Nous vérifions l'efficacité du cadre proposé par des évaluations utilisant des jeux de données réels.
