論文の概要: Towards Efficient Hypergraph and Multi-LLM Agent Recommender Systems

• arxiv url: http://arxiv.org/abs/2512.06590v1
• Date: Sat, 06 Dec 2025 23:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.421213
• Title: Towards Efficient Hypergraph and Multi-LLM Agent Recommender Systems
• Title（参考訳）: ハイパーグラフとマルチLLMエージェントレコメンダシステムの実現に向けて
• Authors: Tendai Mukande, Esraa Ali, Annalina Caputo, Ruihai Dong, Noel OConnor,
• Abstract要約: 大きな言語モデル(LLM)は、生成的検索とレコメンデーションという、新しいパラダイムを生み出しました。 HGLMRecは、ユーザとアイテム間の複雑なマルチ振る舞い関係をキャプチャするために設計されたハイパーグラフエンコーダを組み込んだ、新しいマルチLLMエージェントベースのRSである。 実験結果から,HGLMRecによる最先端のベースラインに対する計算コストの低下に対する性能改善が示された。
• 参考スコア（独自算出の注目度）: 3.2136407170856445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender Systems (RSs) have become the cornerstone of various applications such as e-commerce and social media platforms. The evolution of RSs is paramount in the digital era, in which personalised user experience is tailored to the user's preferences. Large Language Models (LLMs) have sparked a new paradigm - generative retrieval and recommendation. Despite their potential, generative RS methods face issues such as hallucination, which degrades the recommendation performance, and high computational cost in practical scenarios. To address these issues, we introduce HGLMRec, a novel Multi-LLM agent-based RS that incorporates a hypergraph encoder designed to capture complex, multi-behaviour relationships between users and items. The HGLMRec model retrieves only the relevant tokens during inference, reducing computational overhead while enriching the retrieval context. Experimental results show performance improvement by HGLMRec against state-of-the-art baselines at lower computational cost.
• Abstract（参考訳）: Recommender Systems(RS)は、eコマースやソーシャルメディアプラットフォームなど、さまざまなアプリケーションの基盤となっている。 RSの進化は、個人化されたユーザー体験がユーザの好みに合わせて調整されるデジタル時代において最重要である。 大きな言語モデル(LLM)は、生成的検索とレコメンデーションという、新しいパラダイムを生み出しました。 その可能性にもかかわらず、生成RS法は、推奨性能を低下させる幻覚や、実用的なシナリオにおける高い計算コストといった問題に直面している。 これらの問題に対処するため,HGLMRecは,ユーザとアイテム間の複雑なマルチ振る舞い関係をキャプチャするハイパーグラフエンコーダを内蔵した,マルチLLMエージェントベースの新しいRSである。 HGLMRecモデルは推論中に関連するトークンのみを検索し、検索コンテキストを充実させながら計算オーバーヘッドを低減する。 実験結果から,HGLMRecによる最先端のベースラインに対する計算コストの低下に対する性能改善が示された。

関連論文リスト

• DynamicRAG: Leveraging Outputs of Large Language Model as Feedback for Dynamic Reranking in Retrieval-Augmented Generation [23.060355911225923]
  リランカは、生成品質と説明可能性を高めるために、検索した文書の精錬において重要な役割を果たす。 本稿では,リランカが検索した文書の順序と数の両方を動的に調整する新しいRAGフレームワークであるDynamicRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-12T05:19:01Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• Pre-train, Align, and Disentangle: Empowering Sequential Recommendation with Large Language Models [26.331324261505486]
  Sequential Recommendation (SR) は、ユーザの過去のインタラクションにおけるシーケンシャルなパターンを活用して、ユーザの好みを正確に追跡することを目的としている。 大規模言語モデル(LLM)の有効性が証明されているにもかかわらず、商用レコメンデータシステムへの統合は妨げられている。 我々は,LLMを用いたSRモデルを強化するために,新しいPri-train,Align,Disentangle(PAD)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-05T12:17:56Z)
• 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)
• Multi-Modal Recommendation Unlearning for Legal, Licensing, and Modality Constraints [10.335361310419826]
  本稿では,MMRS と未学習項目データにおける非学習に関する最初のアプローチである MMRecUn を紹介する。 MMRecUnはベースライン方式に比べて最大49.85%のリコール性能向上を実現している。 ゴールドモデルよりも最大1.3倍速く、スクラッチからセットを保持するように訓練されている。
  論文  参考訳（メタデータ） (2024-05-24T08:11:59Z)
• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)

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。