論文の概要: Unveiling User Preferences: A Knowledge Graph and LLM-Driven Approach for Conversational Recommendation

• arxiv url: http://arxiv.org/abs/2411.14459v1
• Date: Sat, 16 Nov 2024 11:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-01 04:42:52.796038
• Title: Unveiling User Preferences: A Knowledge Graph and LLM-Driven Approach for Conversational Recommendation
• Title（参考訳）: ユーザの嗜好を解き明かす:会話推薦のための知識グラフとLLM駆動アプローチ
• Authors: Zhangchi Qiu, Linhao Luo, Shirui Pan, Alan Wee-Chung Liew,
• Abstract要約: 本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗化するプラグイン・アンド・プレイフレームワークを提案する。 これにより、LLMはKGエンティティを簡潔な自然言語記述に変換することができ、ドメイン固有の知識を理解できるようになる。
• 参考スコア（独自算出の注目度）: 55.5687800992432
• License:
• Abstract: Conversational Recommender Systems (CRSs) aim to provide personalized recommendations through dynamically capturing user preferences in interactive conversations. Conventional CRSs often extract user preferences as hidden representations, which are criticized for their lack of interpretability. This diminishes the transparency and trustworthiness of the recommendation process. Recent works have explored combining the impressive capabilities of Large Language Models (LLMs) with the domain-specific knowledge of Knowledge Graphs (KGs) to generate human-understandable recommendation explanations. Despite these efforts, the integration of LLMs and KGs for CRSs remains challenging due to the modality gap between unstructured dialogues and structured KGs. Moreover, LLMs pre-trained on large-scale corpora may not be well-suited for analyzing user preferences, which require domain-specific knowledge. In this paper, we propose COMPASS, a plug-and-play framework that synergizes LLMs and KGs to unveil user preferences, enhancing the performance and explainability of existing CRSs. To address integration challenges, COMPASS employs a two-stage training approach: first, it bridges the gap between the structured KG and natural language through an innovative graph entity captioning pre-training mechanism. This enables the LLM to transform KG entities into concise natural language descriptions, allowing them to comprehend domain-specific knowledge. Following, COMPASS optimizes user preference modeling via knowledge-aware instruction fine-tuning, where the LLM learns to reason and summarize user preferences from both dialogue histories and KG-augmented context. This enables COMPASS to perform knowledge-aware reasoning and generate comprehensive and interpretable user preferences that can seamlessly integrate with existing CRS models for improving recommendation performance and explainability.
• Abstract（参考訳）: Conversational Recommender Systems (CRS) は、対話型会話におけるユーザの好みを動的にキャプチャすることで、パーソナライズされたレコメンデーションを提供することを目的としている。 従来のCRSは、解釈可能性の欠如を批判する隠れ表現として、ユーザの好みを抽出することが多い。 これにより、レコメンデーションプロセスの透明性と信頼性が低下します。 最近の研究は、Large Language Models(LLM)の印象的な機能と知識グラフ(KG)のドメイン固有の知識を組み合わせることで、人間に理解可能なレコメンデーションの説明を生み出している。 これらの努力にもかかわらず、非構造的対話と構造的KGとのモダリティギャップのため、LCMとKGの統合は依然として困難である。 さらに、大規模コーパスで事前学習したLCMは、ドメイン固有の知識を必要とするユーザの好みを分析するのに適していない可能性がある。 本稿では,LCMとKGを相乗化してユーザの好みを明らかにするためのプラグイン・アンド・プレイフレームワークCompASSを提案し,既存のCRSの性能と説明可能性を高める。 まず、構造化されたKGと自然言語の間のギャップを、事前学習メカニズムをキャプションする革新的なグラフエンティティを通じて橋渡しする。 これにより、LLMはKGエンティティを簡潔な自然言語記述に変換することができ、ドメイン固有の知識を理解できるようになる。 次に、CompASSは、LLMが対話履歴とKG拡張コンテキストの両方から、ユーザの好みを推論し、要約することを学ぶ、知識認識命令の微調整によるユーザ嗜好モデリングを最適化する。 これにより、CompASSは知識を意識した推論を実行し、既存のCRSモデルとシームレスに統合し、レコメンデーション性能と説明可能性を向上させることができる包括的で解釈可能なユーザー嗜好を生成することができる。

関連論文リスト

• EAGER-LLM: Enhancing Large Language Models as Recommenders through Exogenous Behavior-Semantic Integration [60.47645731801866]
  大規模言語モデル(LLM)は、高度なレコメンデータシステムの基本バックボーンとしてますます活用されている。 LLMは事前訓練された言語意味論であるが、llm-Backboneを通してゼロから協調意味論を学ぶ。 内因性行動情報と内因性行動情報とを非侵襲的に統合するデコーダのみの生成推薦フレームワークであるEAGER-LLMを提案する。
  論文  参考訳（メタデータ） (2025-02-20T17:01:57Z)
• Large Language Model Driven Recommendation [34.45328907249946]
  言語主導のレコメンデーションの出現は、リコメンデーションのための自然言語(NL)インタラクションの使用を解放した。 この章では、LLMの一般NL能力が、高度にパーソナライズされたRSを構築する新しい機会を導く方法について論じる。
  論文  参考訳（メタデータ） (2024-08-20T15:36:24Z)
• XRec: Large Language Models for Explainable Recommendation [5.615321475217167]
  我々は、XRecと呼ばれるモデルに依存しないフレームワークを導入し、大規模言語モデルがレコメンデーションシステムにおけるユーザの振る舞いを説明することを可能にする。 我々の実験は、説明可能なレコメンデータシステムにおいて、ベースラインアプローチよりも優れた、包括的で意味のある説明を生成するXRecの能力を実証した。
  論文  参考訳（メタデータ） (2024-06-04T14:55:14Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models [115.7508325840751]
  近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。 本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。 LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:12:43Z)
• Leveraging Large Language Models in Conversational Recommender Systems [9.751217336860924]
  Conversational Recommender System (CRS)は、リアルタイムのマルチターン対話を通じてシステムと対話できるようにすることにより、ユーザに対して透明性とコントロールを向上する。 大言語モデル(LLM)は、自然に会話し、世界知識と常識推論を言語理解に組み込むという前例のない能力を示した。
  論文  参考訳（メタデータ） (2023-05-13T16:40:07Z)
• Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information [42.88448098873448]
  対話レコメンデーションシステム(CRS)は,対話履歴からユーザの好みを推測することでユーザと対話する。 従来のCRSでは、知識グラフ(KG)ベースのレコメンデーションモジュールを使用し、応答生成のための言語モデルとKGを統合する。 本稿では,事前学習言語モデル(PLM)と項目メタデータエンコーダを組み合わせた,シンプルで効果的なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-15T14:12:48Z)
• KECRS: Towards Knowledge-Enriched Conversational Recommendation System [50.0292306485452]
  chit-chatベースの会話レコメンデーションシステム(crs)は、自然言語インタラクションを通じてユーザーにアイテムレコメンデーションを提供する。 外部知識グラフ(KG)がChit-chatベースのCRSに導入されている。 KECRS(Knowledge-Enriched Conversational Recommendation System)の提案 大規模データセットの実験結果は、KECRSが最先端のキトチャットベースのCRSを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-05-18T03:52:06Z)
• Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion [77.21442487537139]
  対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。 まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。 第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
  論文  参考訳（メタデータ） (2020-07-08T11:14:23Z)

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。