論文の概要: RAGEAR: Retrieval-Augmented Graph-Enhanced Academic Recommender

• arxiv url: http://arxiv.org/abs/2605.26819v1
• Date: Tue, 26 May 2026 10:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.884054
• Title: RAGEAR: Retrieval-Augmented Graph-Enhanced Academic Recommender
• Title（参考訳）: RAGEAR: 検索可能なグラフ拡張アカデミックレコメンダ
• Authors: Francesco Granata, Lorenzo Lamazzi, Misael Mongiovì, Francesco Poggi, Valeria Secchini,
• Abstract要約: RAGEAR(Retrieval-Augmented Graph-Enhanced Academic Recommender)は、学術コース推薦のためのニューロシンボリックレコメンデーションシステムである。 RAGEARは、全講義の書き起こしに対する密集した検索と、シンボリックな知識グラフモデリングコース、レッスン、書き起こしチャンク、クレジット、研究計画、カリキュラム情報を組み合わせる。
• 参考スコア（独自算出の注目度）: 1.5223740593989443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present RAGEAR (Retrieval-Augmented Graph-Enhanced Academic Recommender), a neurosymbolic recommender system for academic course recommendation. RAGEAR combines dense retrieval over full lecture transcripts with a symbolic Knowledge Graph modelling courses, lessons, transcript chunks, credits, study plans, and curricular information. The Knowledge Graph supports symbolic filtering and contextualisation based on structured constraints, such as credits, academic disciplines, study plans, and prerequisites. Unlike metadata-based approaches, it exploits fine-grained instructional content by retrieving transcript chunks semantically aligned with a student's query. The main contribution is a graph-aware aggregation function that propagates chunk-level evidence to course-level recommendations. The score combines three factors: the share of retrieved similarity associated with a course, the rank-based strength of its relevant chunks, and the distribution of evidence across lessons. We evaluate RAGEAR on 152 student-like queries through a human evaluation sample and a large-scale LLM-based relevance assessment. Results show that lecture transcripts improve over metadata-only retrieval, and that RAGEAR further improves ranking quality over a transcript-based normalized SumP baseline, especially for top-ranked recommendations.
• Abstract（参考訳）: RAGEAR(Retrieval-Augmented Graph-Enhanced Academic Recommender)は,学術コース推薦のためのニューロシンボリックレコメンデーションシステムである。 RAGEARは、全講義の書き起こしに対する密集した検索と、シンボリックな知識グラフモデリングコース、レッスン、書き起こしチャンク、クレジット、研究計画、カリキュラム情報を組み合わせる。 知識グラフは、信用、学術的規律、研究計画、前提条件といった構造化された制約に基づいて、象徴的なフィルタリングと文脈化をサポートする。 メタデータベースのアプローチとは異なり、学生のクエリにセマンティックに整合した転写チャンクを検索することで、きめ細かい命令内容を利用する。 主な貢献は、チャンクレベルのエビデンスをコースレベルのレコメンデーションに伝播するグラフ対応アグリゲーション関数である。 このスコアは、コースに関連する検索された類似性のシェア、関連するチャンクのランクに基づく強さ、レッスン間でのエビデンス分布の3つの要因を組み合わせたものだ。 RAGEARを152名の学生を対象に評価し,人間による評価とLLMによる大規模妥当性評価を行った。 その結果,講義の書き起こしはメタデータのみの検索よりも改善され,RAGEARはテキストベースの正規化SumPベースライン,特にトップランクのレコメンデーションよりもランキング品質が向上した。

関連論文リスト

• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• Comparing RAG and GraphRAG for Page-Level Retrieval Question Answering on Math Textbook [6.356031718676495]
  ラージ言語モデル(LLM)は、学習中の情報検索のための新しい補助具として登場した。 本稿では,知識グラフ強化型RAG手法であるRetrieval-Augmented Generation(RAG)とGraphRAGについて,ページレベルの質問応答について検討する。
  論文  参考訳（メタデータ） (2025-09-20T19:06:49Z)
• HGOT: Hierarchical Graph of Thoughts for Retrieval-Augmented In-Context Learning in Factuality Evaluation [20.178644251662316]
  本稿では,文脈内学習における関連する文節の検索を促進するために,階層的思考グラフ(HGOT)を導入する。 このフレームワークは、複雑なクエリを管理可能なサブクエリに分割する、分割/クエリ戦略を採用している。 それは、最近提案された引用リコールと精度の指標を取り入れた、回答の選択のための自己一貫性の過半数投票を洗練する。
  論文  参考訳（メタデータ） (2024-02-14T18:41:19Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。 KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。 KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-18T06:41:23Z)
• Graph Learning based Recommender Systems: A Review [111.43249652335555]
  グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。 本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
  論文  参考訳（メタデータ） (2021-05-13T14:50:45Z)
• Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
  知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。 新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
  論文  参考訳（メタデータ） (2020-03-25T22:53:14Z)
• Overview of the TREC 2019 Fair Ranking Track [65.15263872493799]
  TREC Fair Ranking トラックの目標は、異なるコンテンツプロバイダに対する公正性の観点から、検索システムを評価するベンチマークを開発することであった。 本稿では,タスク定義やデータ記述,アノテーションプロセスなどを含むトラックの概要について述べる。
  論文  参考訳（メタデータ） (2020-03-25T21:34:58Z)

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。