論文の概要: Research on Personalized Financial Product Recommendation by Integrating Large Language Models and Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.05873v1
• Date: Fri, 06 Jun 2025 08:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.386579
• Title: Research on Personalized Financial Product Recommendation by Integrating Large Language Models and Graph Neural Networks
• Title（参考訳）: 大規模言語モデルとグラフニューラルネットワークの統合による個人化商品レコメンデーションに関する研究
• Authors: Yushang Zhao, Yike Peng, Dannier Li, Yuxin Yang, Chengrui Zhou, Jing Dong,
• Abstract要約: 大規模言語モデル(LLM)とグラフニューラルネットワーク(GNN)を統合したハイブリッドフレームワークを提案する。 事前訓練されたLLMはテキストデータ(例えばユーザレビュー)をリッチな特徴ベクトルにエンコードし、不均一なユーザ生成グラフは相互作用と社会的結びつきをモデル化する。 公開および実世界の財務データセットの実験では、我々のモデルは、強い解釈可能性を持つ、正確性、リコール、NDCGにおいてスタンドアロンのLLMやGNNよりも優れています。
• 参考スコア（独自算出の注目度）: 2.86471061970102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of fintech, personalized financial product recommendations have become increasingly important. Traditional methods like collaborative filtering or content-based models often fail to capture users' latent preferences and complex relationships. We propose a hybrid framework integrating large language models (LLMs) and graph neural networks (GNNs). A pre-trained LLM encodes text data (e.g., user reviews) into rich feature vectors, while a heterogeneous user-product graph models interactions and social ties. Through a tailored message-passing mechanism, text and graph information are fused within the GNN to jointly optimize embeddings. Experiments on public and real-world financial datasets show our model outperforms standalone LLM or GNN in accuracy, recall, and NDCG, with strong interpretability. This work offers new insights for personalized financial recommendations and cross-modal fusion in broader recommendation tasks.
• Abstract（参考訳）: フィンテックの急速な成長に伴い、パーソナライズされた金融商品レコメンデーションがますます重要になっている。 協調フィルタリングやコンテンツベースモデルといった従来の手法は、ユーザの潜伏した好みや複雑な関係を捉えるのに失敗することが多い。 本稿では,大規模言語モデル(LLM)とグラフニューラルネットワーク(GNN)を統合したハイブリッドフレームワークを提案する。 事前訓練されたLLMはテキストデータ(例えばユーザレビュー)をリッチな特徴ベクトルにエンコードし、不均一なユーザ生成グラフは相互作用と社会的結びつきをモデル化する。 カスタマイズされたメッセージパッシング機構を通じて、テキストとグラフ情報をGNN内で融合して埋め込みを最適化する。 公開および実世界の財務データセットの実験では、我々のモデルは、強い解釈可能性を持つ、正確性、リコール、NDCGにおいてスタンドアロンのLLMやGNNよりも優れています。 この研究は、パーソナライズされた金融レコメンデーションと、より広範なレコメンデーションタスクにおける相互統合のための新たな洞察を提供する。

関連論文リスト

• Training Large Recommendation Models via Graph-Language Token Alignment [53.3142545812349]
  本稿では,グラフ言語トークンアライメントによる大規模推薦モデルのトレーニングを行う新しいフレームワークを提案する。 インタラクショングラフからアイテムとユーザノードを事前訓練されたLLMトークンにアライメントすることで、GLTAはLLMの推論能力を効果的に活用する。 さらに、エンドツーエンドのアイテム予測のためのトークンアライメントを最適化するために、GLLM(Graph-Language Logits Matching)を導入する。
  論文  参考訳（メタデータ） (2025-02-26T02:19:10Z)
• Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
  大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。 最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。 GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
  論文  参考訳（メタデータ） (2025-02-12T12:13:51Z)
• Triple Modality Fusion: Aligning Visual, Textual, and Graph Data with Large Language Models for Multi-Behavior Recommendations [13.878297630442674]
  本稿では,三重モダリティの融合を活かした,多行動レコメンデーションのための新しいフレームワークを提案する。 提案モデルであるTriple Modality Fusion (TMF)は,大規模言語モデル(LLM)のパワーを利用して,これらの3つのモダリティを調整・統合する。 大規模な実験により,提案手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2024-10-16T04:44:15Z)
• All Against Some: Efficient Integration of Large Language Models for Message Passing in Graph Neural Networks [51.19110891434727]
  事前訓練された知識と強力なセマンティック理解能力を持つ大規模言語モデル(LLM)は、最近、視覚とテキストデータを使用してアプリケーションに恩恵をもたらす顕著な能力を示している。 E-LLaGNNは、グラフから限られたノード数を増やして、グラフ学習のメッセージパッシング手順を強化するオンデマンドLLMサービスを備えたフレームワークである。
  論文  参考訳（メタデータ） (2024-07-20T22:09:42Z)
• Towards Graph Foundation Models for Personalization [9.405827216171629]
  本稿では、パーソナライズに適したグラフベースの基礎モデリング手法を提案する。 当社のアプローチは厳格にテストされ、さまざまな製品にレコメンデーションを提供する上で有効であることが証明されています。
  論文  参考訳（メタデータ） (2024-03-12T10:12:59Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)

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。