論文の概要: Cold-Start Recommendation with Knowledge-Guided Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2505.20773v1
• Date: Tue, 27 May 2025 06:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:50:40.468661
• Title: Cold-Start Recommendation with Knowledge-Guided Retrieval-Augmented Generation
• Title（参考訳）: 知識誘導型検索生成によるコールドスタート勧告
• Authors: Wooseong Yang, Weizhi Zhang, Yuqing Liu, Yuwei Han, Yu Wang, Junhyun Lee, Philip S. Yu,
• Abstract要約: ColdRAGは、ドメイン固有の知識グラフを構築する、検索強化された生成アプローチである。 我々は,ColdRAGがリコールやNDCGの既存のゼロショットベースラインを超えることを示す。 このフレームワークは,知識グラフ推論とLLM生成を組み合わせ,コールドスタートレコメンデーションの実践的解決策を提供する。
• 参考スコア（独自算出の注目度）: 33.471004805877186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cold-start items remain a persistent challenge in recommender systems due to their lack of historical user interactions, which collaborative models rely on. While recent zero-shot methods leverage large language models (LLMs) to address this, they often struggle with sparse metadata and hallucinated or incomplete knowledge. We propose ColdRAG, a retrieval-augmented generation approach that builds a domain-specific knowledge graph dynamically to enhance LLM-based recommendation in cold-start scenarios, without requiring task-specific fine-tuning. ColdRAG begins by converting structured item attributes into rich natural-language profiles, from which it extracts entities and relationships to construct a unified knowledge graph capturing item semantics. Given a user's interaction history, it scores edges in the graph using an LLM, retrieves candidate items with supporting evidence, and prompts the LLM to rank them. By enabling multi-hop reasoning over this graph, ColdRAG grounds recommendations in verifiable evidence, reducing hallucinations and strengthening semantic connections. Experiments on three public benchmarks demonstrate that ColdRAG surpasses existing zero-shot baselines in both Recall and NDCG. This framework offers a practical solution to cold-start recommendation by combining knowledge-graph reasoning with retrieval-augmented LLM generation.
• Abstract（参考訳）: コールドスタートアイテムは、コラボレーティブモデルが依存する歴史的なユーザインタラクションの欠如により、レコメンデーションシステムにおいて永続的な課題である。 最近のゼロショット法では、この問題を解決するために大きな言語モデル(LLM)を利用しているが、スパースメタデータと幻覚的あるいは不完全な知識に苦しむことが多い。 タスク固有の微調整を必要とせず、コールドスタートシナリオにおけるLLMに基づく推薦を強化するために、ドメイン固有の知識グラフを動的に構築する検索拡張生成手法であるColdRAGを提案する。 ColdRAGは構造化されたアイテム属性をリッチな自然言語プロファイルに変換することから始まり、エンティティと関係を抽出し、アイテムのセマンティクスをキャプチャする統一された知識グラフを構築する。 ユーザのインタラクション履歴を考慮し、LSMを使用してグラフ内のエッジをスコアし、証拠を裏付ける候補項目を検索し、LSMにランク付けするよう促す。 このグラフ上でマルチホップ推論を可能にすることで、ColdRAGは検証可能な証拠として推奨事項を定め、幻覚を減らし、意味的なつながりを強化する。 3つの公開ベンチマークの実験では、ColdRAGがリコールとNDCGの両方で既存のゼロショットベースラインを超えていることが示されている。 このフレームワークは,知識グラフ推論とLLM生成を組み合わせ,コールドスタートレコメンデーションの実践的解決策を提供する。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Explain What You Mean: Intent Augmented Knowledge Graph Recommender Built With An LLM [8.40367600570591]
  Intent Knowledge 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は知識ギャップを克服し、公開と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よりも大幅に向上します。
  論文  参考訳（メタデータ） (2025-05-16T06:07:19Z)
• Graph Retrieval-Augmented LLM for Conversational Recommendation Systems [52.35491420330534]
  G-CRS(Graph Retrieval-Augmented Large Language Model for Conversational Recommender Systems)は、グラフ検索強化世代とテキスト内学習を組み合わせた学習自由フレームワークである。 G-CRSは、タスク固有のトレーニングを必要とせず、既存の手法よりも優れたレコメンデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T03:56:22Z)
• G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation [48.23263809469786]
  本稿では,グラフ検索拡張大言語モデル (LLM) を用いた提案手法を提案する。 G-Referは、説明可能性と安定性の両方において既存の手法と比較して優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-02-18T06:42:38Z)
• 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)
• Graph Reasoning for Explainable Cold Start Recommendation [1.8434042562191815]
  新しいユーザーやアイテムがインタラクション履歴を持たないコールドスタート問題は、レコメンデーションシステムにおいて依然として重要な課題である。 コールドスタートレコメンデーションにグラフ推論手法を適用するためのフレームワークであるGRECSを提案する。 実験の結果, GRECSはコールドスタート問題を緩和し, 説明可能ながら, 競争ベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-11T16:21:57Z)
• Hierarchical Memory Learning for Fine-Grained Scene Graph Generation [49.39355372599507]
  本稿では,HML(Hierarchical Memory Learning)フレームワークを提案する。 粗い述語と細かな述語を自律的に分割した後、モデルはまず粗い述語で訓練され、次に細かな述語を学ぶ。
  論文  参考訳（メタデータ） (2022-03-14T08:01:14Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)

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。