論文の概要: Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation

• arxiv url: http://arxiv.org/abs/2604.06928v1
• Date: Wed, 08 Apr 2026 10:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.479527
• Title: Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation
• Title（参考訳）: ペルソナ駆動セッションベースレコメンデーションのためのLLMと不均一知識グラフの活用
• Authors: Muskan Gupta, Suraj Thapa, Jyotsana Khatri,
• Abstract要約: セッションベースレコメンデーションシステム(SBRS)は、ユーザの短期意図を対話シーケンスから捉えることを目的としている。 LLM拡張レコメンデーションの最近の進歩は、LLMがリッチなアイテム表現を生成できることを示している。 異種知識グラフから推定される潜在ユーザペルソナを明示的にモデル化するペルソナ駆動型SBRSフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.0705399532413615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation systems (SBRS) aim to capture user's short-term intent from interaction sequences. However, the common assumption of anonymous sessions limits personalization, particularly under sparse or cold-start conditions. Recent advances in LLM-augmented recommendation have shown that LLMs can generate rich item representations, but modeling user personas with LLMs remains challenging due to anonymous sessions. In this work, we propose a persona-driven SBRS framework that explicitly models latent user personas inferred from a heterogeneous knowledge graph (KG) and integrates them into a data-driven recommendation pipeline.Our framework adopts a two-stage architecture consisting of personalized information extraction and personalized information utilization, inspired by recent chain-of-thought recommendation approaches. In the personalized information extraction stage, we construct a heterogeneous KG that integrates time-independent user-item, item-item, item-feature association, and metadata from DBpedia. We then learn latent user personas in an unsupervised manner using a Heterogeneous Deep Graph Infomax (HDGI) objective over a KG initialized with LLM-derived item embeddings. In the personalized information utilization stage, the learned persona representations together with LLM-derived item embeddings are incorporated into a modified architecture of data-driven SBRS to generate a candidate set of relevant items, followed by reranking using the base sequential model to emphasize short-term session intent. Unlike prior approaches that rely solely on sequence modeling or text-based user representations, our method grounds user persona modeling in structured relational signals derived from a KG. Experiments on Amazon Books and Amazon Movies & TV demonstrate that our approach consistently improves over sequential models with user embeddings derived using session history.
• Abstract（参考訳）: セッションベースレコメンデーションシステム(SBRS)は、ユーザの短期意図を対話シーケンスから捉えることを目的としている。 しかし、匿名セッションの一般的な仮定はパーソナライズを制限する。 LLMを推奨する最近の進歩は、LLMがリッチなアイテム表現を生成できることを示しているが、匿名セッションのため、LLMを用いたユーザペルソナのモデリングは難しいままである。 本研究では、不均一な知識グラフ(KG)から推定される潜在ユーザを明示的にモデル化し、それらをデータ駆動レコメンデーションパイプラインに統合するペルソナ駆動型SBRSフレームワークを提案する。 パーソナライズされた情報抽出段階において、DBpediaから時間に依存しないユーザ・イテム、アイテム・イテム、アイテム・フィーチャー・アソシエーション、メタデータを統合した異種KGを構築する。 LLM由来の項目埋め込みを初期化したKG上で、不均一な深層グラフ情報マックス(HDGI)目標を用いて、教師なしで潜在ユーザペルソナを学習する。 パーソナライズされた情報利用段階において、学習したペルソナ表現とLLM由来の項目埋め込みとをデータ駆動型SBRSの修正アーキテクチャに組み込んで関連する項目の候補セットを生成し、続いてベースシーケンシャルモデルを用いて短期セッション意図を強調する。 シーケンスモデリングやテキストベースのユーザ表現にのみ依存する従来のアプローチとは異なり,本手法では,KGから導出される構造的リレーショナル信号のユーザペルソナモデリングを行う。 Amazon BooksとAmazon Movies & TVの実験では、セッション履歴から派生したユーザ埋め込みによるシーケンシャルモデルよりも、私たちのアプローチが一貫して改善されていることが示されています。

関連論文リスト

• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• Temporal User Profiling with LLMs: Balancing Short-Term and Long-Term Preferences for Recommendations [3.719862246745416]
  本稿では,短期および長期の嗜好を明示的にモデル化するユーザプロファイリング手法を提案する。 LLM-TUPは、いくつかのベースラインに対して大幅に改善されている。
  論文  参考訳（メタデータ） (2025-08-11T20:28:24Z)
• SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
  本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。 我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
  論文  参考訳（メタデータ） (2025-07-27T09:04:17Z)
• Integrating LLM-Derived Multi-Semantic Intent into Graph Model for Session-based Recommendation [20.120161603957776]
  セッションベースのレコメンデーション(SBR)は主に匿名ユーザインタラクションシーケンスに基づいている。 本稿では,セッションベースレコメンデーション(LLM-DMsRec)のためのグラフモデルへのLLM-Derived Multi-Semantic Intentと呼ばれる新しいSBRアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-27T06:54:00Z)
• Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation [22.653549796453426]
  セッションベースのレコメンデーション(SBR)は、匿名セッション内でのインタラクションシーケンスを使用して、ユーザが関与する可能性のある次の項目を予測することを目的としている。 既存のSBRモデルは、セッション間の関係を無視し、価値あるクロスセッションの洞察を無視して、シングルセッションの情報のみに焦点を当てることが多い。 HIPHOPと呼ばれるセッションベースレコメンデーションのためのプラグイン型LLM型セマンティックラーニングを用いた階層型インテント誘導最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-07T02:50:04Z)
• RAP: Retrieval-Augmented Personalization for Multimodal Large Language Models [53.304699445700926]
  MLLMのパーソナライズのための検索強化パーソナライズフレームワークについて紹介する。 一般的なMLLMから始まり、3つのステップでパーソナライズされたアシスタントにします。 大規模データセットを事前トレーニングすることにより、RAP-MLLMは、追加の微調整なしで無限の視覚概念に一般化することができる。
  論文  参考訳（メタデータ） (2024-10-17T09:10:26Z)
• PersonalLLM: Tailoring LLMs to Individual Preferences [11.717169516971856]
  我々は、特定のユーザに対して最大限のメリットを提供するためにLLMを適用することに焦点を当てた、PersonalLLMという公開ベンチマークを提示する。 我々は、ユーザーが不均一な潜伏傾向を示すことを期待する高品質な回答と組み合わせたオープンエンドプロンプトをキュレートする。 私たちのデータセットと生成された個人性は、パーソナライズアルゴリズムを開発するための革新的なテストベッドを提供します。
  論文  参考訳（メタデータ） (2024-09-30T13:55:42Z)
• 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)
• Can LLMs Generate Human-Like Wayfinding Instructions? Towards Platform-Agnostic Embodied Instruction Synthesis [51.04181562775778]
  本稿では,ロボットエージェントの「ウェイフィンディング指示」を自動的に合成する手法を提案する。 提案アルゴリズムは,LLMの条件付けにコンテキスト内学習を用い,わずかな参照を用いて命令を生成する。 我々は,Matterport3D,AI Habitat,ThreeDWorldなど,複数のシミュレーションプラットフォームにアプローチを実装した。
  論文  参考訳（メタデータ） (2024-03-18T05:38:07Z)
• On the steerability of large language models toward data-driven personas [98.9138902560793]
  大規模言語モデル(LLM)は、特定のグループや集団の意見が不足している偏りのある応答を生成することが知られている。 本稿では, LLM を用いて特定の視点の制御可能な生成を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T19:01:13Z)

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。