論文の概要: Synergizing LLM Agents and Knowledge Graph for Socioeconomic Prediction in LBSN

• arxiv url: http://arxiv.org/abs/2411.00028v2
• Date: Tue, 19 Nov 2024 14:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:34:48.701089
• Title: Synergizing LLM Agents and Knowledge Graph for Socioeconomic Prediction in LBSN
• Title（参考訳）: LBSNの社会経済予測のためのSynergizing LLM Agentsと知識グラフ
• Authors: Zhilun Zhou, Jingyang Fan, Yu Liu, Fengli Xu, Depeng Jin, Yong Li,
• Abstract要約: 位置情報ベースのソーシャルネットワーク(LBSN)は、社会に大きな変化をもたらし、社会経済予測にLBSNデータを使用することが広く研究されている。 既存のアプローチは、様々なデータからタスク関連知識を抽出するアイデアと専門知識に依存しており、これは特定のタスクに最適ではないかもしれない。 本研究は,大言語モデル(LLM)の常識推論,埋め込み,マルチエージェント協調における顕著な能力により,LLMエージェントと知識グラフを社会経済予測のために相乗化したものである。
• 参考スコア（独自算出の注目度）: 24.04470448615187
• License:
• Abstract: The fast development of location-based social networks (LBSNs) has led to significant changes in society, resulting in popular studies of using LBSN data for socioeconomic prediction, e.g., regional population and commercial activity estimation. Existing studies design various graphs to model heterogeneous LBSN data, and further apply graph representation learning methods for socioeconomic prediction. However, these approaches heavily rely on heuristic ideas and expertise to extract task-relevant knowledge from diverse data, which may not be optimal for specific tasks. Additionally, they tend to overlook the inherent relationships between different indicators, limiting the prediction accuracy. Motivated by the remarkable abilities of large language models (LLMs) in commonsense reasoning, embedding, and multi-agent collaboration, in this work, we synergize LLM agents and knowledge graph for socioeconomic prediction. We first construct a location-based knowledge graph (LBKG) to integrate multi-sourced LBSN data. Then we leverage the reasoning power of LLM agent to identify relevant meta-paths in the LBKG for each type of socioeconomic prediction task, and design a semantic-guided attention module for knowledge fusion with meta-paths. Moreover, we introduce a cross-task communication mechanism to further enhance performance by enabling knowledge sharing across tasks at both LLM agent and KG levels. On the one hand, the LLM agents for different tasks collaborate to generate more diverse and comprehensive meta-paths. On the other hand, the embeddings from different tasks are adaptively merged for better socioeconomic prediction. Experiments on two datasets demonstrate the effectiveness of the synergistic design between LLM and KG, providing insights for information sharing across socioeconomic prediction tasks.
• Abstract（参考訳）: 位置情報ベースのソーシャルネットワーク(LBSN)の急速な発展は、社会に大きな変化をもたらし、社会経済予測、例えば地域人口、商業活動推定にLBSNデータを使用することが広く研究されている。 既存の研究では、異種LBSNデータをモデル化するための様々なグラフを設計し、さらに社会経済予測のためのグラフ表現学習手法を適用している。 しかし、これらのアプローチは様々なデータからタスク関連知識を抽出するために、ヒューリスティックなアイデアや専門知識に大きく依存している。 さらに、異なる指標間の固有の関係を見落とし、予測精度を制限する傾向にある。 本研究は,大言語モデル(LLM)の常識推論,埋め込み,マルチエージェント協調における顕著な能力により,LLMエージェントと知識グラフを社会経済予測のために相乗化したものである。 まず、位置情報に基づく知識グラフ(LBKG)を構築し、マルチソースのLBSNデータを統合する。 次に, LLMエージェントの推論能力を活用し, LBKGの関連メタパスを社会経済予測タスクの種類ごとに同定し, メタパスとの知識融合のための意味誘導型アテンションモジュールを設計する。 さらに,LLMエージェントとKGレベルのタスク間での知識共有を可能にすることで,タスク間通信機構を導入し,パフォーマンスをさらに向上する。 一方、異なるタスクのためのLLMエージェントは、より多様で包括的なメタパスを生成するために協力する。 一方、異なるタスクからの埋め込みは適応的にマージされ、社会経済予測が改善される。 2つのデータセットの実験は、LLMとKGの相乗的設計の有効性を示し、社会経済予測タスクにおける情報共有の洞察を提供する。

関連論文リスト

• How Do Large Language Models Understand Graph Patterns? A Benchmark for Graph Pattern Comprehension [53.6373473053431]
  この研究は、グラフパターンタスクにおける大規模言語モデルの能力を評価するためのベンチマークを導入する。 我々は,LLMが用語的記述と位相的記述の両方に基づいて,グラフパターンを理解できるかどうかを評価するベンチマークを開発した。 私たちのベンチマークでは、合成データセットと実際のデータセットの両方と、11のタスクと7のモデルで構成されています。
  論文  参考訳（メタデータ） (2024-10-04T04:48:33Z)
• Cross-Modal Learning for Chemistry Property Prediction: Large Language Models Meet Graph Machine Learning [0.0]
  グラフニューラルネットワーク(GNN)の分析能力と大規模言語モデル(LLM)の言語生成・予測能力を利用する多モード融合(MMF)フレームワークを提案する。 本フレームワークは,グラフ構造化データのモデリングにおけるGNNの有効性とLLMのゼロショットおよび少数ショット学習能力を組み合わせることにより,オーバーフィッティングのリスクを低減し,予測の改善を実現する。
  論文  参考訳（メタデータ） (2024-08-27T11:10:39Z)
• Chain-of-Thought Prompting for Demographic Inference with Large Multimodal Models [58.58594658683919]
  大規模マルチモーダルモデル (LMM) は、様々な研究課題において変換可能性を示している。 以上の結果から,LMMはゼロショット学習,解釈可能性,未修正入力の処理に長所があることが示唆された。 本稿では,目標外予測問題を効果的に緩和するChain-of-Thought拡張プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T16:26:56Z)
• G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
  本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。 特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。 その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
  論文  参考訳（メタデータ） (2024-05-09T08:28:12Z)
• Integrating Large Language Models with Graphical Session-Based Recommendation [8.086277931395212]
  LLMGRというグラフィカルなセッションベースレコメンデーションを備えた大規模言語モデルを導入する。 このフレームワークは、SBRタスクのためのLLMとグラフニューラルネットワーク(GNN)を調和して統合することでギャップを埋める。 この統合は、自然言語理解におけるLLMとリレーショナルデータ処理におけるGNNの相補的な強みを活用することを目指している。
  論文  参考訳（メタデータ） (2024-02-26T12:55:51Z)
• LLM-Enhanced User-Item Interactions: Leveraging Edge Information for Optimized Recommendations [28.77605585519833]
  近年の人気のある研究分野であるグラフニューラルネットワークは、関係マイニングについて多くの研究を行っている。 グラフニューラルネットワークにおける現在の最先端の研究は、大きな言語モデルと効果的に統合されていない。 本稿では,LLMの強い文脈表現能力とGNNの関係抽出と解析機能を組み合わせた,革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-14T23:12:09Z)
• An Enhanced Prompt-Based LLM Reasoning Scheme via Knowledge Graph-Integrated Collaboration [7.3636034708923255]
  本研究では,知識グラフ(KG)と大規模言語モデル(LLM)の緊密な協調を含む協調学習自由推論手法を提案する。 このような協調的な手法により、より信頼性の高い知識に基づく推論を実現し、推論結果の追跡を容易にする。
  論文  参考訳（メタデータ） (2024-02-07T15:56:17Z)
• Exploring Collaboration Mechanisms for LLM Agents: A Social Psychology View [60.80731090755224]
  本稿では,理論的洞察を用いた実用実験により,現代NLPシステム間の協調機構を解明する。 我々は, LLMエージェントからなる4つの独特な社会をつくり, それぞれのエージェントは, 特定の特性(容易性, 過信性)によって特徴づけられ, 異なる思考パターン(議論, ふりかえり)と協調する。 以上の結果から, LLMエージェントは, 社会心理学理論を反映した, 適合性やコンセンサスリーディングといった人間的な社会的行動を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2023-10-03T15:05:52Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• LLMs for Knowledge Graph Construction and Reasoning: Recent Capabilities and Future Opportunities [66.36633042421387]
  知識グラフ(KG)の構築と推論のための大規模言語モデル(LLM)の評価。 我々は,LLMと外部ソースを用いたマルチエージェントベースのアプローチであるAutoKGを提案し,KGの構築と推論を行う。
  論文  参考訳（メタデータ） (2023-05-22T15:56:44Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)

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。