論文の概要: Enriching Semantic Profiles into Knowledge Graph for Recommender Systems Using Large Language Models

• arxiv url: http://arxiv.org/abs/2601.08148v1
• Date: Tue, 13 Jan 2026 02:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.022577
• Title: Enriching Semantic Profiles into Knowledge Graph for Recommender Systems Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたレコメンダシステムのための知識グラフへの意味プロファイルの強化
• Authors: Seokho Ahn, Sungbok Shin, Young-Duk Seo,
• Abstract要約: 大規模言語モデル(LLM)は様々な知識源から圧縮された有理を抽出するのに有効であり,知識グラフ(KG)はこれらのプロファイルを伝播して到達範囲を拡大するのに適している,と我々は主張する。 この知見に基づいて,SPiKEと呼ばれる新しいレコメンデーションモデルを提案する。 実験では,SPiKEは実世界の環境において,最先端のKGやLLMベースのレコメンデータよりも一貫して優れていることを示した。
• 参考スコア（独自算出の注目度）: 7.054093620465398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rich and informative profiling to capture user preferences is essential for improving recommendation quality. However, there is still no consensus on how best to construct and utilize such profiles. To address this, we revisit recent profiling-based approaches in recommender systems along four dimensions: 1) knowledge base, 2) preference indicator, 3) impact range, and 4) subject. We argue that large language models (LLMs) are effective at extracting compressed rationales from diverse knowledge sources, while knowledge graphs (KGs) are better suited for propagating these profiles to extend their reach. Building on this insight, we propose a new recommendation model, called SPiKE. SPiKE consists of three core components: i) Entity profile generation, which uses LLMs to generate semantic profiles for all KG entities; ii) Profile-aware KG aggregation, which integrates these profiles into the KG; and iii) Pairwise profile preference matching, which aligns LLM- and KG-based representations during training. In experiments, we demonstrate that SPiKE consistently outperforms state-of-the-art KG- and LLM-based recommenders in real-world settings.
• Abstract（参考訳）: ユーザの好みを捉えるための豊かで情報的なプロファイリングは、推奨品質を改善するために不可欠である。 しかし、そのようなプロファイルの構築と利用方法に関してはまだ合意が得られていない。 これを解決するために,4次元のレコメンデータシステムにおける最近のプロファイリングに基づくアプローチを再考する。 1)知識基盤 2)選好指標 3)衝撃範囲、及び 4)であった。 大規模言語モデル(LLM)は様々な知識源から圧縮された有理を抽出するのに有効であり,知識グラフ(KG)はこれらのプロファイルを伝播して到達範囲を拡大するのに適している,と我々は主張する。 この知見に基づいて,SPiKEと呼ばれる新しいレコメンデーションモデルを提案する。 SPiKEは3つのコアコンポーネントから構成される。 一 すべてのKGエンティティのセマンティックプロファイルを生成するためにLLMを使用するエンティティプロファイル生成 二 これらのプロファイルをKGに統合するプロファイル対応KGアグリゲーション 三 トレーニング中にLLM及びKGに基づく表現を整列するペアワイズプロファイル選好マッチング。 実験では,SPiKEは実世界の環境において,最先端のKGやLLMベースのレコメンデータよりも一貫して優れていることを示した。

関連論文リスト

• LettinGo: Explore User Profile Generation for Recommendation System [45.40232561275015]
  本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。 我々のフレームワークは、推奨精度、柔軟性、文脈認識を著しく向上させます。
  論文  参考訳（メタデータ） (2025-06-23T05:51:52Z)
• Boosting Knowledge Graph-based Recommendations through Confidence-Aware Augmentation with Large Language Models [19.28217321004791]
  大きな言語モデル(LLM)は、レコメンデーションタスクのための知識グラフの品質と関連性を改善するための有望な方法を提供する。 本稿では,KG と LLM を組み合わせた新しいフレームワークである LLM Augmentation (CKG-LLMA) を用いた Confidence-aware KG-based Recommendation Framework を提案する。 本フレームワークは,(1)高品質な情報でKGをリッチ化するためのLLMベースのサブグラフ拡張器,(2)ノイズの多い三重項をフィルタリングする信頼性に配慮したメッセージ伝搬機構,(3)ユーザ-テムインタラクションとKGデータを統合するための2視点コントラスト学習手法を含む。
  論文  参考訳（メタデータ） (2025-02-06T02:06:48Z)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• Knowledge Graph Enhanced Language Agents for Recommendation [29.20755410537792]
  本稿では,レコメンデーションシステムのための言語エージェントと知識グラフを統合するフレームワークを提案する。 シミュレーションされたレコメンデーションシナリオでは、ユーザとアイテムをKG内に配置し、KGパスを自然言語記述として統合する。 これにより、言語エージェントは相互に相互作用し、相互作用の背後にある十分な根拠を発見することができる。
  論文  参考訳（メタデータ） (2024-10-25T15:25:36Z)
• A Prompting-Based Representation Learning Method for Recommendation with Large Language Models [2.1161973970603998]
  本稿では,Recommender SystemsにおけるLarge Language Models(LLM)の言語能力を高めるために,Prompting-based Representation Learning Method for Recommendation(P4R)を紹介する。 P4Rフレームワークでは、パーソナライズされたアイテムプロファイルを作成するためにLSMプロンプト戦略を利用する。 評価では、P4Rと最先端のRecommenderモデルを比較し、プロンプトベースのプロファイル生成の品質を評価する。
  論文  参考訳（メタデータ） (2024-09-25T07:06:14Z)
• Bridging LLMs and KGs without Fine-Tuning: Intermediate Probing Meets Subgraph-Aware Entity Descriptions [49.36683223327633]
  大規模言語モデル(LLM)は、幅広い世界の知識をカプセル化し、強力なコンテキストモデリング能力を示す。 実効的で効率的なKGCを実現するために,LLMの強みを頑健な知識表現と相乗化するための新しいフレームワークを提案する。 従来手法に比べて47%の相対的な改善を達成し,我々の知る限り,ファインチューニング LLM に匹敵する分類性能を初めて達成した。
  論文  参考訳（メタデータ） (2024-08-13T10:15:55Z)
• Spread Preference Annotation: Direct Preference Judgment for Efficient LLM Alignment [72.99676237703099]
  大規模言語モデルと人間の嗜好の整合性を高める新しいフレームワークを提案する。 私たちのキーとなるアイデアは、小さな(種)データの中で人間の事前知識を活用することです。 本稿では,ノイズ認識型選好学習アルゴリズムを導入し,生成した選好データにおける品質低下のリスクを軽減する。
  論文  参考訳（メタデータ） (2024-06-06T18:01:02Z)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation with Relational GNN [59.160401038969795]
  我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。 そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。 実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-26T16:19:59Z)
• Knowledge-Enhanced Top-K Recommendation in Poincar\'e Ball [33.90069123451581]
  本稿では,知識グラフの階層構造を学習しやすくする,双曲空間における推薦モデルを提案する。 双曲的注意ネットワークを用いて、あるアイテムの隣接エンティティの相対的重要性を決定する。 提案モデルでは,Top-Kレコメンデーションにおいて,NDCG@Kの2～16%,既存モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-13T03:16:50Z)

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。