論文の概要: Enhancing Serendipity Recommendation System by Constructing Dynamic User Knowledge Graphs with Large Language Models

• arxiv url: http://arxiv.org/abs/2508.04032v1
• Date: Wed, 06 Aug 2025 02:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.50982
• Title: Enhancing Serendipity Recommendation System by Constructing Dynamic User Knowledge Graphs with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた動的ユーザ知識グラフの構築によるセレンディピティー勧告システムの構築
• Authors: Qian Yong, Yanhui Li, Jialiang Shi, Yaguang Dou, Tian Qi,
• Abstract要約: 大規模言語モデル(LLM)は、豊富な世界知識と優れた推論能力のおかげで、推奨されるセレンディピティーを示す。 本稿では,LLmを利用してユーザ知識グラフを動的に構築し,レコメンデーションシステムのセレンディピティーを高める手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9262403397108375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The feedback loop in industrial recommendation systems reinforces homogeneous content, creates filter bubble effects, and diminishes user satisfaction. Recently, large language models(LLMs) have demonstrated potential in serendipity recommendation, thanks to their extensive world knowledge and superior reasoning capabilities. However, these models still face challenges in ensuring the rationality of the reasoning process, the usefulness of the reasoning results, and meeting the latency requirements of industrial recommendation systems (RSs). To address these challenges, we propose a method that leverages llm to dynamically construct user knowledge graphs, thereby enhancing the serendipity of recommendation systems. This method comprises a two stage framework:(1) two-hop interest reasoning, where user static profiles and historical behaviors are utilized to dynamically construct user knowledge graphs via llm. Two-hop reasoning, which can enhance the quality and accuracy of LLM reasoning results, is then performed on the constructed graphs to identify users' potential interests; and(2) Near-line adaptation, a cost-effective approach to deploying the aforementioned models in industrial recommendation systems. We propose a u2i (user-to-item) retrieval model that also incorporates i2i (item-to-item) retrieval capabilities, the retrieved items not only exhibit strong relevance to users' newly emerged interests but also retain the high conversion rate of traditional u2i retrieval. Our online experiments on the Dewu app, which has tens of millions of users, indicate that the method increased the exposure novelty rate by 4.62%, the click novelty rate by 4.85%, the average view duration per person by 0.15%, unique visitor click through rate by 0.07%, and unique visitor interaction penetration by 0.30%, enhancing user experience.
• Abstract（参考訳）: 産業レコメンデーションシステムのフィードバックループは、均一なコンテンツを強化し、フィルタバブル効果を発生させ、ユーザの満足度を低下させる。 近年,大規模な言語モデル (LLM) は,世界的知識と優れた推論能力のおかげで,セレンディピティー推薦の可能性を実証している。 しかしながら、これらのモデルは、推論プロセスの合理性、推論結果の有用性、産業レコメンデーションシステム(RS)のレイテンシ要件を満たす上で、依然として課題に直面している。 これらの課題に対処するために、llmを利用してユーザ知識グラフを動的に構築し、レコメンデーションシステムのセレンディピティーを高める手法を提案する。 本手法は,(1) ユーザの静的プロファイルと履歴行動を利用して, llm を用いてユーザ知識グラフを動的に構築する2段階の関心推論を行う。 次に, LLM推論結果の品質と精度を向上させる2ホップ推論を行い, 構築したグラフ上でユーザの潜在的関心を識別し, (2) 産業レコメンデーションシステムにモデルを展開するための費用対効果のアプローチであるニアライン適応を行う。 i2i(item-to-item)検索機能を組み込んだ u2i (user-to-item) 検索モデルを提案する。 ユーザ数数千万のDewuアプリのオンライン実験では、露出ノベルティ率の4.62%、クリックノベルティ率の4.85%、人ごとの平均ビュー期間の0.15%、ユニークビジタークリックの0.07%、ユニークビジターインタラクションの0.30%、ユーザエクスペリエンスの向上が示されている。

関連論文リスト

• DARLR: Dual-Agent Offline Reinforcement Learning for Recommender Systems with Dynamic Reward [14.323631574821123]
  モデルベースのオフライン強化学習は、レコメンデータシステムにとって有望なアプローチとして登場した。 DarLRは、レコメンデーションポリシーを強化するために、世界モデルを動的に更新することを提案する。 4つのベンチマークデータセットの実験は、DARLRの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-12T06:18:31Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Mind the Gap! Static and Interactive Evaluations of Large Audio Models [55.87220295533817]
  大型オーディオモデル(LAM)は、音声ネイティブな体験をパワーアップするために設計されている。 本研究は,484名の参加者から,LAMを評価し,7,500名のLAMインタラクションを収集する対話的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-21T20:29:02Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Knowledge Enhanced Multi-intent Transformer Network for Recommendation [11.53964363972865]
  我々は,KGTN(Knowledge Enhanced Multi-intent Transformer Network for Recommendation)という新しいアプローチを提案する。 Graph Transformerを使用したGlobal Intentsは、ユーザ-item-relation-entityインタラクションからグラフトランスフォーマーへのグローバルシグナルを取り入れることで、学習可能なユーザ意図の取得に重点を置いている。 インテント下での知識コントラストの認知は、正確で堅牢な表現を学ぶことに集中している。
  論文  参考訳（メタデータ） (2024-05-31T01:07:37Z)
• System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
  本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。 そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
  論文  参考訳（メタデータ） (2024-05-29T18:19:37Z)
• Uncertainty-Aware Explainable Recommendation with Large Language Models [15.229417987212631]
  GPT-2のプロンプトとしてユーザおよびアイテム入力のIDベクトルを利用するモデルを開発する。 マルチタスク学習フレームワークには,推薦タスクと説明タスクの両方を最適化するために,共同トレーニング機構が採用されている。 提案手法はYelp, TripAdvisor, Amazon のデータセット上でそれぞれ 1.59 DIV, 0.57 USR, 0.41 FCR を達成する。
  論文  参考訳（メタデータ） (2024-01-31T14:06:26Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Click-Through Rate Prediction Using Graph Neural Networks and Online Learning [0.0]
  CTR予測精度のわずかな改善は、広告業界に数百万ドルの収益を追加すると言及されています。 このプロジェクトは、グラフニューラルネットワークとオンライン学習アルゴリズムを使用したCTR予測器の構築に関心がある。
  論文  参考訳（メタデータ） (2021-05-09T01:35:49Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)

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。