論文の概要: Dual-Enhancement Product Bundling: Bridging Interactive Graph and Large Language Model

• arxiv url: http://arxiv.org/abs/2604.14030v1
• Date: Wed, 15 Apr 2026 16:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.627892
• Title: Dual-Enhancement Product Bundling: Bridging Interactive Graph and Large Language Model
• Title（参考訳）: デュアルエンハンスメント製品バンドル:対話型グラフと大規模言語モデルのブリッジ
• Authors: Zhe Huang, Peng Wang, Yan Zheng, Sen Song, Longjun Cai,
• Abstract要約: 本稿では,対話型グラフ学習と製品バンドルのための意味理解を統合したデュアルエンハンスメント手法を提案する。 本手法では,動的概念結合機構(DCBM)を利用してグラフ構造を自然言語のプロンプトに変換する。
• 参考スコア（独自算出の注目度）: 17.2342102533927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Product bundling boosts e-commerce revenue by recommending complementary item combinations. However, existing methods face two critical challenges: (1) collaborative filtering approaches struggle with cold-start items owing to dependency on historical interactions, and (2) LLMs lack inherent capability to model interactive graph directly. To bridge this gap, we propose a dual-enhancement method that integrates interactive graph learning and LLM-based semantic understanding for product bundling. Our method introduces a graph-to-text paradigm, which leverages a Dynamic Concept Binding Mechanism (DCBM) to translate graph structures into natural language prompts. The DCBM plays a critical role in aligning domain-specific entities with LLM tokenization, enabling effective comprehension of combinatorial constraints. Experiments on three benchmarks (POG, POG_dense, Steam) demonstrate 6.3%-26.5% improvements over state-of-the-art baselines.
• Abstract（参考訳）: 商品のバンドルは、補完的なアイテムの組み合わせを推奨することで、eコマースの収益を高める。 しかし,従来の手法では,(1) 歴史的相互作用に依存したコールドスタート項目に対処する協調フィルタリング手法,(2) LLM は対話グラフを直接モデル化する固有の能力に欠ける,という2つの重要な課題に直面している。 このギャップを埋めるために,対話型グラフ学習とLLMに基づくセマンティック理解を統合したデュアルエンハンスメント手法を提案する。 本手法では,動的概念結合機構(DCBM)を利用してグラフ構造を自然言語のプロンプトに変換する。 DCBMはLLMトークン化とドメイン固有のエンティティの整合において重要な役割を担い、組合せ制約の効果的な理解を可能にする。 3つのベンチマーク(POG、POG_dense、Steam)の実験では、最先端のベースラインよりも6.3%-26.5%改善されている。

関連論文リスト

• Conversational Control with Ontologies for Large Language Models: A Lightweight Framework for Constrained Generation [2.748993665644782]
  本研究は,LLM出力に対するモジュール型かつ説明可能な制御を実現するためのエンドツーエンド手法を提案する。 主要な側面は制約としてモデル化され、それに従ってコンテンツを生成するためにLLMをさらに微調整します。 提案手法は,より小さなモデルであっても,トレーニング済みのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-04-06T05:54:21Z)
• Beyond Next-Token Alignment: Distilling Multimodal Large Language Models via Token Interactions [33.54873330567528]
  本稿では,トークンインタラクションの観点から設計された新しいKDフレームワークであるAlign-TIを紹介する。 我々のアプローチは、MLLMが視覚情報抽出のための視覚-指示トークン相互作用とコヒーレント生成のための応答トークン相互作用の2つの主要な相互作用に依存しているという洞察に動機付けられている。
  論文  参考訳（メタデータ） (2026-02-10T07:26:56Z)
• Think-on-Graph 3.0: Efficient and Adaptive LLM Reasoning on Heterogeneous Graphs via Multi-Agent Dual-Evolving Context Retrieval [35.65907480060404]
  Think-on-Graph 3.0 (ToG-3) は、制約を克服するためにMulti-Agent Context Evolution and Retrieval (MACER) メカニズムを導入した新しいフレームワークである。 我々の中心となる革新は、チャンク・トリプレット・コミュニティ・ヘテロジニアスグラフ指数の動的構築と洗練である。 マルチエージェントシステムは、エビデンス検索、回答生成、十分性、そして決定的に進化するクエリとサブグラフの反復的なプロセスに関与する。
  論文  参考訳（メタデータ） (2025-09-26T00:13:10Z)
• Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference [7.817259532290553]
  大規模言語モデル(LLM)は、テキストリッチなグラフ機械学習タスクにますます利用されている。 関心の高まりにもかかわらず、この分野はグラフデータとの相互作用におけるLLMの能力の原則的な理解を欠いている。
  論文  参考訳（メタデータ） (2025-09-23T00:46:21Z)
• MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings [75.0617088717528]
  MoCaは、トレーニング済みのVLMバックボーンを効果的な双方向埋め込みモデルに変換するためのフレームワークである。 MoCaは、MMEBとViDoRe-v2ベンチマークのパフォーマンスを継続的に改善し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-06-29T06:41:00Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Integrating Visual Interpretation and Linguistic Reasoning for Math Problem Solving [61.992824291296444]
  現在の大型視覚言語モデル(LVLM)は、通常、大型言語モデル(LLM)のテキスト埋め込みと視覚的特徴をリンクするためのコネクタモジュールを使用する。 本稿では,エンド・ツー・エンドの視覚言語推論モデルをトレーニングする代わりに,分離された推論フレームワークの開発を提唱する。
  論文  参考訳（メタデータ） (2025-05-23T08:18:00Z)
• Seeing Beyond the Scene: Enhancing Vision-Language Models with Interactional Reasoning [27.511627003202538]
  伝統的なシーングラフは主に空間的関係に焦点を当て、視覚シーンにおける複雑な相互作用を推論する視覚言語モデル(VLM)の能力を制限する。 本稿では,(1) 従来の検出・構築手法は,非集中的かつ文脈的に無関係な関係集合を生成し,(2) 既存の手法では,新しい場面に起因した相互作用を一般化するための永続記憶の形成に失敗する,という2つの課題に対処する。 本稿では,3つの相補的なコンポーネントを通してVLMの相互作用推論を強化するフレームワークであるISGRを提案する。
  論文  参考訳（メタデータ） (2025-05-14T04:04:23Z)
• Training Large Recommendation Models via Graph-Language Token Alignment [53.3142545812349]
  本稿では,グラフ言語トークンアライメントによる大規模推薦モデルのトレーニングを行う新しいフレームワークを提案する。 インタラクショングラフからアイテムとユーザノードを事前訓練されたLLMトークンにアライメントすることで、GLTAはLLMの推論能力を効果的に活用する。 さらに、エンドツーエンドのアイテム予測のためのトークンアライメントを最適化するために、GLLM(Graph-Language Logits Matching)を導入する。
  論文  参考訳（メタデータ） (2025-02-26T02:19:10Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)

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。