論文の概要: Explain What You Mean: Intent Augmented Knowledge Graph Recommender Built With LLM
- arxiv url: http://arxiv.org/abs/2505.10900v1
- Date: Fri, 16 May 2025 06:07:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:14.188607
- Title: Explain What You Mean: Intent Augmented Knowledge Graph Recommender Built With LLM
- Title（参考訳）: LLMで構築したインテント強化知識グラフのレコメンデーション
- Authors: Wenqing Zheng, Noah Fatsi, Daniel Barcklow, Dmitri Kalaev, Steven Yao, Owen Reinert, C. Bayan Bruss, Daniele Rosa,
- Abstract要約: Intent Knowledge Graph Recommender (IKGR)は、検索拡張生成と、知識グラフの構築と密度化のための符号化アプローチを活用する新しいフレームワークである。
IKGRは対話知識グラフから潜伏したユーザ・イテム親和性を学習し、相互の意図的接続を通じてさらに高密度化する。
- 参考スコア（独自算出の注目度）: 8.40367600570591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interaction sparsity is the primary obstacle for recommendation systems. Sparsity manifests in environments with disproportional cardinality of groupings of entities, such as users and products in an online marketplace. It also is found for newly introduced entities, described as the cold-start problem. Recent efforts to mitigate this sparsity issue shifts the performance bottleneck to other areas in the computational pipeline. Those that focus on enriching sparse representations with connectivity data from other external sources propose methods that are resource demanding and require careful domain expert aided addition of this newly introduced data. Others that turn to Large Language Model (LLM) based recommenders will quickly encounter limitations surrounding data quality and availability. In this work, we propose LLM-based Intent Knowledge Graph Recommender (IKGR), a novel framework that leverages retrieval-augmented generation and an encoding approach to construct and densify a knowledge graph. IKGR learns latent user-item affinities from an interaction knowledge graph and further densifies it through mutual intent connectivity. This addresses sparsity issues and allows the model to make intent-grounded recommendations with an interpretable embedding translation layer. Through extensive experiments on real-world datasets, we demonstrate that IKGR overcomes knowledge gaps and achieves substantial gains over state-of-the-art baselines on both publicly available and our internal recommendation datasets.
- Abstract（参考訳）: 相互作用の疎結合がレコメンデーションシステムの主要な障害である。
スパシティは、オンラインマーケットプレースにおけるユーザや製品といったエンティティのグループ分けが不均等な環境に現れます。
また、コールドスタート問題として記載された、新しく導入されたエンティティにも見られる。
この余剰問題を緩和する最近の取り組みは、パフォーマンスボトルネックを計算パイプラインの他の領域にシフトさせる。
他の外部ソースからの接続データによるスパース表現の強化に重点を置いている人々は、リソース要求の厳しい手法を提案し、この新たに導入されたデータの追加に慎重なドメイン専門家の支援を必要としている。
その他、LLM(Large Language Model)ベースのレコメンデータは、データ品質と可用性に関する制限にすぐに遭遇するでしょう。
本研究では,LLMに基づく検索拡張生成を利用した新しいフレームワークであるIntent Knowledge Graph Recommender(IKGR)と,知識グラフの構築と密度化のための符号化手法を提案する。
IKGRは対話知識グラフから潜伏したユーザ・イテム親和性を学習し、相互の意図的接続を通じてさらに高密度化する。
これにより、スパーシリティの問題に対処し、解釈可能な埋め込み翻訳レイヤで、モデルが意図に基づくレコメンデーションを作成できる。
実世界のデータセットに関する広範な実験を通じて、IKGRは知識ギャップを克服し、パブリックおよび内部レコメンデーションデータセットの両方で最先端のベースラインを大幅に向上することを示した。
関連論文リスト
- ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation [16.204046295248546]
Retrieval-Augmented Generation (RAG) は、外部知識を大規模言語モデルに統合するのに有効であることが証明されている。
我々は、Attributed Community-based Hierarchical RAG (ArchRAG)と呼ばれる新しいグラフベースのRAGアプローチを導入する。
属性付きコミュニティのための新しい階層型インデックス構造を構築し,効果的なオンライン検索手法を開発した。
論文 参考訳（メタデータ） (2025-02-14T03:28:36Z) - Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。
中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
論文 参考訳（メタデータ） (2024-09-09T14:04:17Z) - Multi-Source Knowledge Pruning for Retrieval-Augmented Generation: A Benchmark and Empirical Study [46.55831783809377]
大規模言語モデル(LLM)の幻覚を緩和するための効果的なアプローチとして,検索拡張世代(RAG)がますます認識されている。
PruningRAGはマルチグラニュラリティ・プルーニング・ストラテジーを用いて,関連コンテキストをより効果的に統合し,誤った情報に対するネガティブな影響を軽減するためのプラグアンドプレイRAGフレームワークである。
論文 参考訳（メタデータ） (2024-09-03T03:31:37Z) - ExaRanker-Open: Synthetic Explanation for IR using Open-Source LLMs [60.81649785463651]
ExaRanker-Openを導入し、オープンソース言語モデルを適用して、説明を生成する。
以上の結果から,LLMのサイズが大きくなるにつれて,説明の組み込みが神経ランク付けを継続的に促進することが明らかとなった。
論文 参考訳（メタデータ） (2024-02-09T11:23:14Z) - Hyper-Relational Knowledge Graph Neural Network for Next POI [10.855112358613843]
位置情報ベースのソーシャルネットワーク(LBSN)におけるPOIレコメンデーションシステムは,ユーザや企業に対して多くのメリットをもたらしている。
既存の多くの研究では、LBSNにおけるデータ空間の問題を軽減するためにKG(Knowledge Graph)を使用している。
本稿では,ハイパーリレーショナルな知識グラフニューラルネットワーク(HKGNN)モデルを提案する。
論文 参考訳（メタデータ） (2023-11-28T10:55:00Z) - Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。
本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文 参考訳（メタデータ） (2021-05-13T14:50:45Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-28T05:47:33Z) - Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。
新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
論文 参考訳（メタデータ） (2020-03-25T22:53:14Z) - Generative Adversarial Zero-Shot Relational Learning for Knowledge
Graphs [96.73259297063619]
我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。
新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。
我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
論文 参考訳（メタデータ） (2020-01-08T01:19:08Z)
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。