游戲行業的快速發展需要針對其動態環境定制的高級推薦系統。現有的基于圖神經網絡（GNN）的方法主要關注準確性而非多樣性，忽視了它們之間的內在權衡。為了解決這個問題，我們之前提出了CPGRec，這是一個注重平衡的游戲推薦系統。然而，CPGRec未能考慮到玩家與游戲互動中的關鍵差異，這些差異在反映玩家個人偏好方面具有重要意義，并可能加劇基于GNN的模型中存在的過度平滑問題。此外，現有方法未能充分利用大型語言模型（LLM）的推理能力和廣泛知識來克服這些局限性。為了彌補這一差距，我們提出了兩個新模塊。首先，偏好信息驅動的邊權重重置（PER）模塊為玩家的興趣和不感興趣之處分配有符號的邊權重，從而在圖卷積中定量衡量偏好強度，以減輕過度平滑現象。其次，偏好信息驅動的表示生成（PRG）模塊利用LLM通過比較全局和個人興趣來推理個人偏好，從而生成游戲和玩家的上下文化描述，從而細化玩家和游戲的表示。在兩個Steam數據集上的實驗表明，CPGRec+的準確性和多樣性優于現有最先進模型。代碼可在https://github.com/HsipingLi/CPGRec-Plus獲取。