論文の概要: MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation

• arxiv url: http://arxiv.org/abs/2604.03666v1
• Date: Sat, 04 Apr 2026 09:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.709966
• Title: MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation
• Title（参考訳）: MMP-Refer:説明可能なレコメンデーションのためのマルチモーダルパス検索用LLM
• Authors: Xiangchen Pan, Wei Wei,
• Abstract要約: 大きな言語モデルに基づく説明可能なレコメンデーションの方法は、レコメンデーションデータセットのマルチモーダル情報を無視することが多い。 我々は、textbfMultitextbfModal Retrieval textbfPaths with textbfRetrieval-augmented LLM textbfFor textbfExplainable textbfRecommendationを提案する。
• 参考スコア（独自算出の注目度）: 5.971765441013208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable recommendations help improve the transparency and credibility of recommendation systems, and play an important role in personalized recommendation scenarios. At present, methods for explainable recommendation based on large language models(LLMs) often consider introducing collaborative information to enhance the personalization and accuracy of the model, but ignore the multimodal information in the recommendation dataset; In addition, collaborative information needs to be aligned with the semantic space of LLM. Introducing collaborative signals through retrieval paths is a good choice, but most of the existing retrieval path collection schemes use the existing Explainable GNN algorithms. Although these methods are effective, they are relatively unexplainable and not be suitable for the recommendation field. To address the above challenges, we propose MMP-Refer, a framework using \textbf{M}ulti\textbf{M}odal Retrieval \textbf{P}aths with \textbf{Re}trieval-augmented LLM \textbf{F}or \textbf{E}xplainable \textbf{R}ecommendation. We use a sequential recommendation model based on joint residual coding to obtain multimodal embeddings, and design a heuristic search algorithm to obtain retrieval paths by multimodal embeddings; In the generation phase, we integrated a trainable lightweight collaborative adapter to map the graph encoding of interaction subgraphs to the semantic space of the LLM, as soft prompts to enhance the understanding of interaction information by the LLM. Extensive experiments have demonstrated the effectiveness of our approach. Codes and data are available at https://github.com/pxcstart/MMP-Refer.
• Abstract（参考訳）: 説明可能なレコメンデーションは、レコメンデーションシステムの透明性と信頼性を改善し、パーソナライズされたレコメンデーションシナリオにおいて重要な役割を果たす。 現在、大規模言語モデル(LLM)に基づく説明可能なレコメンデーション手法では、モデルのパーソナライズと精度を高めるために協調情報の導入を検討することが多いが、レコメンデーションデータセットのマルチモーダル情報は無視する必要がある。 検索経路を通じて協調的な信号を導入することはよい選択であるが、既存の検索経路収集方式のほとんどは既存の Explainable GNN アルゴリズムを使用している。 これらの手法は有効であるが、比較的説明不能であり、推奨分野には適さない。 上記の課題に対処するために、MMP-Referというフレームワークを提案する。これは \textbf{M}ulti\textbf{M}odal Retrieval \textbf{P}aths with \textbf{Re}trieval-augmented LLM \textbf{F}or \textbf{E}xplainable \textbf{R}ecommendation。 逐次的レコメンデーションモデルを用いて,複数モーダル埋め込みの探索経路を得るためのヒューリスティック検索アルゴリズムを設計し,生成フェーズでは,対話サブグラフのグラフエンコーディングをLLMのセマンティック空間にマッピングし,LLMによるインタラクション情報の理解を高めるためのソフトプロンプトとして,トレーニング可能な軽量協調アダプタを統合した。 大規模な実験により,本手法の有効性が実証された。 コードとデータはhttps://github.com/pxcstart/MMP-Refer.comで公開されている。

関連論文リスト

• Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
  協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。 我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。 M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
  論文  参考訳（メタデータ） (2024-09-03T04:55:03Z)
• DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System [83.34921966305804]
  大規模言語モデル (LLM) はレコメンデーションシステムにおいて顕著な性能を示した。 LLMと協調モデルのための新しいプラグ・アンド・プレイアライメントフレームワークを提案する。 我々の手法は既存の最先端アルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2024-08-15T15:56:23Z)
• Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
  逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。 様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。 我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
  論文  参考訳（メタデータ） (2024-08-14T10:03:40Z)
• CoLLM: Integrating Collaborative Embeddings into Large Language Models for Recommendation [60.2700801392527]
  我々は,協調情報をLLMにシームレスに組み込んでレコメンデーションを行う,革新的なLLMRec手法であるCoLLMを紹介する。 CoLLMは、外部の伝統的なモデルを通して協調情報をキャプチャし、LLMの入力トークン埋め込み空間にマッピングする。 大規模な実験により、CoLLMはLLMに協調情報を包括的に統合し、レコメンデーション性能が向上することが確認された。
  論文  参考訳（メタデータ） (2023-10-30T12:25:00Z)
• Representation Learning with Large Language Models for Recommendation [33.040389989173825]
  本稿では,大規模言語モデル (LLM) を用いた表現学習によるレコメンデータの強化を目的とした,モデルに依存しないフレームワーク RLMRec を提案する。 RLMRecには補助的なテキスト信号が組み込まれており、LLMが権限を持つユーザ/イテムプロファイリングパラダイムを開発し、LLMの意味空間と協調的関係信号の表現空間を整合させる。
  論文  参考訳（メタデータ） (2023-10-24T15:51:13Z)

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。