論文の概要: Integrating LLM-Derived Multi-Semantic Intent into Graph Model for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2507.20147v1
• Date: Sun, 27 Jul 2025 06:54:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.075895
• Title: Integrating LLM-Derived Multi-Semantic Intent into Graph Model for Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションのためのLLM-Derived Multi-Semantic Intentをグラフモデルに統合する
• Authors: Shuo Zhang, Xiao Li, Jiayi Wu, Fan Yang, Xiang Li, Ming Gao,
• Abstract要約: セッションベースのレコメンデーション(SBR)は主に匿名ユーザインタラクションシーケンスに基づいている。 本稿では,セッションベースレコメンデーション(LLM-DMsRec)のためのグラフモデルへのLLM-Derived Multi-Semantic Intentと呼ばれる新しいSBRアプローチを提案する。
• 参考スコア（独自算出の注目度）: 20.120161603957776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation (SBR) is mainly based on anonymous user interaction sequences to recommend the items that the next user is most likely to click. Currently, the most popular and high-performing SBR methods primarily leverage graph neural networks (GNNs), which model session sequences as graph-structured data to effectively capture user intent. However, most GNNs-based SBR methods primarily focus on modeling the ID sequence information of session sequences, while neglecting the rich semantic information embedded within them. This limitation significantly hampers model's ability to accurately infer users' true intention. To address above challenge, this paper proposes a novel SBR approach called Integrating LLM-Derived Multi-Semantic Intent into Graph Model for Session-based Recommendation (LLM-DMsRec). The method utilizes a pre-trained GNN model to select the top-k items as candidate item sets and designs prompts along with a large language model (LLM) to infer multi-semantic intents from these candidate items. Specifically, we propose an alignment mechanism that effectively integrates the semantic intent inferred by the LLM with the structural intent captured by GNNs. Extensive experiments conducted on the Beauty and ML-1M datasets demonstrate that the proposed method can be seamlessly integrated into GNNs framework, significantly enhancing its recommendation performance.
• Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、主に匿名のユーザインタラクションシーケンスに基づいて、次のユーザが最もクリックしやすいアイテムを推奨する。 現在、最も人気があり高性能なSBR手法は、主にグラフニューラルネットワーク(GNN)を活用し、セッションシーケンスをグラフ構造化データとしてモデル化し、ユーザの意図を効果的に捉えている。 しかし、ほとんどのGNNベースのSBR手法は、セッションシーケンスのIDシーケンス情報をモデル化することに重点を置いている。 この制限は、ユーザの真の意図を正確に推測するモデルの能力を著しく損なう。 本稿では,セッションベースレコメンデーション(LLM-DMsRec)のためのグラフモデルへのLLM-Derived Multi-Semantic Intentの統合という,新たなSBRアプローチを提案する。 本手法では,事前学習したGNNモデルを用いてトップk項目を候補項目として選択し,大言語モデル(LLM)とともに設計プロンプトを用いて候補項目から多節的意図を推測する。 具体的には,LLMが推論する意味的意図とGNNが捉えた構造的意図を効果的に統合するアライメント機構を提案する。 Beauty と ML-1M データセットを用いた大規模な実験により,提案手法が GNN フレームワークにシームレスに統合され,提案手法の推奨性能が著しく向上することを示した。

関連論文リスト

• Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation [22.653549796453426]
  セッションベースのレコメンデーション(SBR)は、匿名セッション内でのインタラクションシーケンスを使用して、ユーザが関与する可能性のある次の項目を予測することを目的としている。 既存のSBRモデルは、セッション間の関係を無視し、価値あるクロスセッションの洞察を無視して、シングルセッションの情報のみに焦点を当てることが多い。 HIPHOPと呼ばれるセッションベースレコメンデーションのためのプラグイン型LLM型セマンティックラーニングを用いた階層型インテント誘導最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-07T02:50:04Z)
• LLM-Augmented Graph Neural Recommenders: Integrating User Reviews [2.087411180679868]
  本稿では,グラフニューラルネットワーク(GNN)ベースのモデルと大規模言語モデル(LLM)を用いて,レビューアウェアな表現を生成するフレームワークを提案する。 提案手法は,ユーザの行動信号と言語信号の両方が効果的に捕捉されるように,テキストから得られる特徴に対するユーザとテムの相互作用のバランスをとる。
  論文  参考訳（メタデータ） (2025-04-03T00:40:09Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation [57.49045064294086]
  大きな言語モデル(LLM)は、その人気とは無関係に、アイテム間の意味的関係をキャプチャする能力を持つ。 LLMEmb(LLMEmb)は、LCMを利用してアイテム埋め込みを生成し、逐次レコメンダシステム(SRS)の性能を向上させる手法である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
  Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。 本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T09:19:54Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)

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。