論文の概要: Avoiding Over-Personalization with Rule-Guided Knowledge Graph Adaptation for LLM Recommendations

• arxiv url: http://arxiv.org/abs/2509.07133v1
• Date: Mon, 08 Sep 2025 18:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.083498
• Title: Avoiding Over-Personalization with Rule-Guided Knowledge Graph Adaptation for LLM Recommendations
• Title（参考訳）: LLM勧告に対するルールガイド付き知識グラフ適応によるオーバーパーソナライゼーションの回避
• Authors: Fernando Spadea, Oshani Seneviratne,
• Abstract要約: LLMに基づくレコメンデーションシステムにおいて、オーバーパーソナライゼーションを再構築するためのニューロシンボリックな枠組みを提案する。 我々は,ユーザ側知識グラフ(KG)を推定時間に適応させ,特徴共起パターンを抑制する。 これらの適応されたPKGは、より多様なOut-PIEレコメンデーションに向けて言語モデルを操る構造化プロンプトを構築するために使用される。
• 参考スコア（独自算出の注目度）: 46.90931293070464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a lightweight neuro-symbolic framework to mitigate over-personalization in LLM-based recommender systems by adapting user-side Knowledge Graphs (KGs) at inference time. Instead of retraining models or relying on opaque heuristics, our method restructures a user's Personalized Knowledge Graph (PKG) to suppress feature co-occurrence patterns that reinforce Personalized Information Environments (PIEs), i.e., algorithmically induced filter bubbles that constrain content diversity. These adapted PKGs are used to construct structured prompts that steer the language model toward more diverse, Out-PIE recommendations while preserving topical relevance. We introduce a family of symbolic adaptation strategies, including soft reweighting, hard inversion, and targeted removal of biased triples, and a client-side learning algorithm that optimizes their application per user. Experiments on a recipe recommendation benchmark show that personalized PKG adaptations significantly increase content novelty while maintaining recommendation quality, outperforming global adaptation and naive prompt-based methods.
• Abstract（参考訳）: 本稿では,ユーザ側知識グラフ(KG)を推論時間に適応させることで,LLMベースのレコメンデータシステムにおける過剰な個人化を緩和する,軽量なニューラルシンボリックフレームワークを提案する。 提案手法は,モデルの再学習や不透明なヒューリスティックスに頼る代わりに,ユーザのパーソナライズド知識グラフ(PKG)を再構成し,パーソナライズド情報環境(PIE)を強化する特徴共起パターン,すなわち,コンテンツの多様性を制限するアルゴリズム的に誘導されるフィルタバブルを抑圧する。 これらの適応されたPKGは、言語モデルをより多様なOut-PIEレコメンデーションに向けて、トピックの関連性を保ちながら、構造化されたプロンプトを構築するために使用される。 本稿では,ソフトリウェイト,ハードインバージョン,バイアストリプルのターゲット除去,ユーザ毎のアプリケーションを最適化するクライアント側学習アルゴリズムなど,象徴的な適応戦略のファミリを紹介する。 レシピ・レコメンデーション・ベンチマークの実験では、パーソナライズされたPKG適応は、レコメンデーション品質を維持しながらコンテンツノベルティを著しく向上させ、グローバルなアダプティブやナイーブなプロンプトベースの手法よりも優れていた。

関連論文リスト

• 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)
• Unveiling User Preferences: A Knowledge Graph and LLM-Driven Approach for Conversational Recommendation [55.5687800992432]
  本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗化するプラグイン・アンド・プレイフレームワークを提案する。 これにより、LLMはKGエンティティを簡潔な自然言語記述に変換することができ、ドメイン固有の知識を理解できるようになる。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• RosePO: Aligning LLM-based Recommenders with Human Values [38.029251417802044]
  我々は、パーソナライズされた選好最適化(RosePO)を円滑にするための一般的なフレームワークを提案する。 RosePOは、トレーニング後の段階において、カスタマイズされた人的価値との整合性が向上する。 実世界の3つのデータセットの評価は,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-16T12:54:34Z)
• LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning [40.53821858897774]
  本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗する新しいレコメンデータを紹介し,そのレコメンデーションを強化し,解釈可能な結果を提供する。 提案手法は,レコメンデータシステムの有効性と解釈性を両立させる。
  論文  参考訳（メタデータ） (2024-06-22T14:14:03Z)
• Linear Alignment: A Closed-form Solution for Aligning Human Preferences without Tuning and Feedback [70.32795295142648]
  リニアアライメントは、言語モデルと人間の好みを1つの推論ステップで整列する新しいアルゴリズムである。 一般的な選好データセットとパーソナライズされた選好データセットの実験により、線形アライメントはLLMアライメントの性能と効率を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-21T10:46:23Z)
• AURO: Reinforcement Learning for Adaptive User Retention Optimization in Recommender Systems [25.18963930580529]
  強化学習(Reinforcement Learning, RL)は、レコメンデーションシステムにおけるユーザ保持の最適化能力に注目が集まっている。 本稿では,この課題に対処するため,textbfAdaptive textbfUser textbfRetention textbfOptimization (AURO) という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-06T02:45:21Z)

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。