論文の概要: KELLMRec: Knowledge-Enhanced Large Language Models for Recommendation

• arxiv url: http://arxiv.org/abs/2403.06642v1
• Date: Mon, 11 Mar 2024 12:04:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 19:25:09.991917
• Title: KELLMRec: Knowledge-Enhanced Large Language Models for Recommendation
• Title（参考訳）: kellmrec: 知識に富んだ大規模言語モデル
• Authors: Weiqing Luo, Chonggang Song, Lingling Yi, Gong Cheng
• Abstract要約: セマンティック情報の利用はレコメンデーターシステム分野における重要な研究課題である。 LLMの台頭に伴い、知識基盤として機能する能力と推論能力は、この研究領域に新たな可能性をもたらしている。 これに対応するための有望な方法は、外部知識を使用して、真実で使用可能なテキストを生成するLLMを支援することである。 提案手法は,プロンプトにおける外部知識の使用に加えて,学習のための知識に基づくコントラスト学習スキームも含んでいる。
• 参考スコア（独自算出の注目度）: 9.851321405237638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The utilization of semantic information is an important research problem in the field of recommender systems, which aims to complement the missing parts of mainstream ID-based approaches. With the rise of LLM, its ability to act as a knowledge base and its reasoning capability have opened up new possibilities for this research area, making LLM-based recommendation an emerging research direction. However, directly using LLM to process semantic information for recommendation scenarios is unreliable and sub-optimal due to several problems such as hallucination. A promising way to cope with this is to use external knowledge to aid LLM in generating truthful and usable text. Inspired by the above motivation, we propose a Knowledge-Enhanced LLMRec method. In addition to using external knowledge in prompts, the proposed method also includes a knowledge-based contrastive learning scheme for training. Experiments on public datasets and in-enterprise datasets validate the effectiveness of the proposed method.
• Abstract（参考訳）: セマンティック情報の利用は、主流のIDベースのアプローチの欠如を補うことを目的としたレコメンデーターシステム分野における重要な研究課題である。 LLMの台頭に伴い、知識基盤として機能する能力とその推論能力は、この研究領域に新たな可能性をもたらし、LLMベースの推薦が新たな研究方向となる。 しかし,LLMを直接使用してレコメンデーションシナリオのセマンティック情報を処理することは,幻覚などの問題により信頼性が低く,準最適である。 これに対処する有望な方法は、外部の知識を使ってllmを助け、真正で使いやすいテキストを生成することである。 以上の動機に着想を得て,知識強化LLMRec法を提案する。 提案手法は,プロンプトにおける外部知識の活用に加えて,学習のための知識ベースのコントラスト学習スキームも含む。 公開データセットと企業内データセットの実験は、提案手法の有効性を検証する。

関連論文リスト

• MMREC: LLM Based Multi-Modal Recommender System [2.3113916776957635]
  本稿では,Large Language Models(LLM)とディープラーニング技術を活用して,レコメンデータシステムを強化する新しい手法を提案する。 提案フレームワークは,マルチモーダル情報処理を取り入れたレコメンデーションの精度と妥当性を,統一された潜在空間表現を用いて向上することを目的としている。
  論文  参考訳（メタデータ） (2024-08-08T04:31:29Z)
• All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era [63.649070507815715]
  我々は、リコメンデータシステムをより広い視野に統合し、将来の研究のためのより包括的なソリューションの道を開くことを目指しています。 我々は、リストワイズレコメンデーションと会話レコメンデーションを通じて、現代のレコメンデーションシステムの2つの進化経路を特定する。 本稿では,ユーザの獲得コストを削減しつつ,推薦情報の有効性を高めることを指摘する。
  論文  参考訳（メタデータ） (2024-07-14T05:02:21Z)
• Data Imputation using Large Language Model to Accelerate Recommendation System [3.853804391135035]
  そこで本稿では,LLM(Large-Tune Large Language Model)を提案する。 大量のテキストで訓練されたLLMは、データ間の複雑な関係を理解し、行方不明の情報をインテリジェントに埋めることができる。 この強化されたデータは、より正確でパーソナライズされた提案を生成するためにレコメンデーションシステムによって使用される。
  論文  参考訳（メタデータ） (2024-07-14T04:53:36Z)
• Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  大規模テキストコーパスで事前訓練されたLarge Language Models (LLMs) は、推奨システムを強化するための有望な道を示す。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• A Comprehensive Survey on Self-Supervised Learning for Recommendation [19.916057705072177]
  本稿では,レコメンデータシステム用に設計された自己指導型学習フレームワークのレビューを行い,170以上の論文を網羅的に分析する。 本稿では,異なる自己指導型学習パラダイム,すなわちコントラスト学習,生成学習,対人学習について詳述し,SSLが様々な文脈におけるレコメンダシステムをどのように強化するかの技術的詳細を述べる。
  論文  参考訳（メタデータ） (2024-04-04T10:45:23Z)
• Reformulating Sequential Recommendation: Learning Dynamic User Interest with Content-enriched Language Modeling [18.297332953450514]
  本稿では、事前学習した言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成するLANCERを提案する。 我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間的なレコメンデーションを生み出します。
  論文  参考訳（メタデータ） (2023-09-19T08:54:47Z)
• Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM [18.138629220610678]
  本稿では,Large Language Model (LLM) を用いたパーソナライズされたレコメンデーションのための新しいアプローチを提案する。 提案手法は,ユーザの不均一な振る舞いを効果的に統合し,推薦性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-08-07T06:29:20Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
  KnowledgeCheckRに統合された推奨アプローチの概要を提供します。 その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
  論文  参考訳（メタデータ） (2021-02-15T20:06:28Z)
• Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
  オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。 InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
  論文  参考訳（メタデータ） (2020-11-04T12:12:25Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。