論文の概要: ClusterRAG: Cluster-Based Collaborative Filtering for Personalized Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2605.18769v1
• Date: Tue, 14 Apr 2026 01:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.929186
• Title: ClusterRAG: Cluster-Based Collaborative Filtering for Personalized Retrieval-Augmented Generation
• Title（参考訳）: ClusterRAG:パーソナライズされた検索拡張生成のためのクラスタベース協調フィルタリング
• Authors: Gibson Nkhata, Uttamasha Anjally Oyshi, Quan Mai, Susan Gauch,
• Abstract要約: ClusterRAGはPersonalized Retrieval-Augmented Generationのためのクラスタベースの協調フィルタリングである。 プロファイルドキュメントを通じてユーザを表現し、密度ベースのクラスタリングを使用してユーザをセマンティックに一貫性のあるクラスタに編成する。 クラスタレベルの類似性と詳細なランキングを通じて、クラスタレベルとドキュメントレベルの両方で検索を実行する。
• 参考スコア（独自算出の注目度）: 1.5499426028105903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized Retrieval-Augmented Generation (RAG) relies on accurately selecting user-relevant documents. In practice, existing RAG approaches often suffer from high retrieval costs and overlook that collaborative signals from similar users can enhance personalized generation for the current user. We propose ClusterRAG, a Cluster-Based Collaborative Filtering for Personalized Retrieval-Augmented Generation. ClusterRAG represents users through their profile documents, organizes users into semantically coherent clusters using density-based clustering, and performs retrieval at both the cluster and document levels via cluster-level similarity and fine-grained ranking. Extensive experiments on the LaMP benchmark demonstrate that jointly leveraging the target user's profile and profiles from top similar users consistently yields the best performance across diverse tasks. Further analysis shows that ClusterRAG integrates seamlessly with different dense retrievers and rankers, and remains effective when paired with both fine-tuned and zero-shot language models.
• Abstract（参考訳）: Personalized Retrieval-Augmented Generation (RAG) は、ユーザ関連文書を正確に選択することに依存する。 実際には、既存のRAGアプローチは、しばしば高い検索コストに悩まされ、類似ユーザからの協調的な信号が、現在のユーザのパーソナライズされた生成を向上できるという見落としがちである。 本稿では,クラスタベース協調フィルタであるClusterRAGを提案する。 ClusterRAGは、プロファイルドキュメントを通じてユーザを表現し、密度ベースのクラスタリングを使用してユーザをセマンティックに一貫性のあるクラスタに編成し、クラスタレベルの類似性と詳細なランキングを通じて、クラスタとドキュメントレベルの検索を実行する。 LaMPベンチマークの大規模な実験では、ターゲットのユーザのプロファイルとトップに近いユーザのプロファイルを共同で活用することで、さまざまなタスクで最高のパフォーマンスが得られることが示されている。 さらに分析したところ、ClusterRAGは異なる高密度検索器やロータとシームレスに統合され、微調整とゼロショットの言語モデルの両方と組み合わせても有効であることがわかった。

関連論文リスト

• One-Shot Hierarchical Federated Clustering [51.490181220883905]
  本稿では,効率的な階層型クラスタリングフレームワークを提案する。 クライアント-エンドの分散探索とサーバ-エンドの分散アグリゲーションを実行する。 クライアント間の複雑なクラスタ分布を効率的に探索できることが判明した。
  論文  参考訳（メタデータ） (2026-01-10T02:58:33Z)
• ESMC: MLLM-Based Embedding Selection for Explainable Multiple Clustering [79.69917150582633]
  MLLM(Multi-modal large language model)は、ユーザ主導のクラスタリングを実現するために利用することができる。 本手法はまず,MLLMのテキストトークンの隠蔽状態が対応する特徴と強く関連していることを明らかにする。 また、擬似ラベル学習を付加した軽量クラスタリングヘッドを採用し、クラスタリング精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-11-30T04:36:51Z)
• Agent-Centric Personalized Multiple Clustering with Multi-Modal LLMs [40.38930402847949]
  エージェント中心のパーソナライズされたクラスタリングフレームワークを提案する。 エージェントはリレーショナルグラフを横断して、ユーザの関心事に基づいてクラスタを検索する。 その結果,提案手法はカードオーダーとカードサイツのベンチマークで0.9667と0.9481のNMIスコアを得ることができた。
  論文  参考訳（メタデータ） (2025-03-28T08:45:15Z)
• Personalized Clustering via Targeted Representation Learning [12.685373069492448]
  クラスタリングは伝統的に、ラベルのないデータ内の自然なグループ構造を明らかにすることを目的としています。 ターゲット表現学習を明示的に行うパーソナライズされたクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T10:28:51Z)
• Revealing and Utilizing In-group Favoritism for Graph-based Collaborative Filtering [9.067610121749777]
  ユーザとアイテムの共同クラスタをクラスタリングアルゴリズムで計算し、各クラスタにCFworksを追加して、グループ内の好意を抽出する。 2つの側面から実世界のデータセットを実験し、グループ内での好みに応じて分割されたグループの数を求め、改善の量を測定した。
  論文  参考訳（メタデータ） (2024-04-23T06:43:58Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Large Language Models Enable Few-Shot Clustering [88.06276828752553]
  大規模言語モデルは、クエリ効率が良く、数発のセミ教師付きテキストクラスタリングを可能にするために、専門家のガイダンスを増幅できることを示す。 最初の2つのステージにLSMを組み込むことで、クラスタの品質が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T09:17:11Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。