論文の概要: Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation

• arxiv url: http://arxiv.org/abs/2605.28175v1
• Date: Wed, 27 May 2026 08:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.914216
• Title: Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation
• Title（参考訳）: マルチエージェントLCMに基づく推薦のための知識グラフ検索用混合知識生成法
• Authors: Shijie Wang, Chengyi Liu, Yujuan Ding, Shanru Lin, See-Kiong Ng, Xu Xin, Wenqi Fan,
• Abstract要約: 本稿では,知識グラフ検索拡張生成(KG-RAG)のための協調型マルチエージェントフレームワークを提案する。 MixRAGRecはMixture-of-Experts Retrieval Agentを統合し、各クエリを異なる粒度のKG検索専門家にルーティングする。
• 参考スコア（独自算出の注目度）: 56.36851606088493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have recently been adopted for recommendations due to their ability to understand user intent and item semantics. However, LLM-based recommender systems often rely on parametric knowledge and suffer from outdated knowledge, motivating knowledge graph retrieval-augmented generation (KG-RAG) to ground recommendations on structured, up-to-date KGs. Despite this promise, effective KG-RAG in recommendations faces great challenges. First, users' queries vary in complexity and require KG knowledge at different granularities, whereas existing methods adopt a one-size-fits-all retrieval strategy, leading to over-retrieval for simple queries and under-retrieval for complex ones. In addition, augmenting LLMs with KG knowledge requires translating graph-structured data into linear text, which may introduce noise and cause structural information loss. Moreover, the selection of retrieval granularity lacks direct supervision and must be inferred from the final recommendation after alignment and downstream utilization, making query-aware retrieval hard to learn end-to-end. To address these issues, we propose MixRAGRec, a cooperative multi-agent framework for KG-RAG recommendations. MixRAGRec integrates a Mixture-of-Experts Retrieval Agent that routes each query to a KG retrieval expert with different granularities, a Knowledge Preference Alignment Agent that converts structured knowledge into LLM-friendly natural language, and a Contrastive Learning-reinforced Recommendation Agent trained with contrastive preference feedback. Notably, we introduce Mixture-of-Experts Multi-Agent Policy Optimization (MMAPO) to train three agents under a unified objective. Extensive experiments on real-world datasets demonstrate the effectiveness of our framework.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ユーザインテントやアイテムセマンティクスを理解する能力のため、最近レコメンデーションに採用されている。 しかし、LLMベースのレコメンダシステムは、しばしばパラメトリック知識に依存し、時代遅れの知識に悩まされ、構造化された最新のKGのレコメンデーションに基づいて知識グラフ検索強化世代(KG-RAG)を動機付けている。 この約束にもかかわらず、レコメンデーションにおける効果的なKG-RAGは大きな課題に直面している。 まず、ユーザのクエリは複雑で、さまざまな粒度でKGの知識を必要とするが、既存のメソッドでは1サイズに適合する検索戦略を採用しており、単純なクエリでは過剰に検索され、複雑なクエリでは過度に検索される。 さらに、LLMをKG知識で拡張するには、グラフ構造化データを線形テキストに変換する必要がある。 さらに、検索の粒度の選択は直接の監督に欠けており、アライメントや下流利用後の最終勧告から推測されなければならないため、クエリ対応の検索はエンドツーエンドの学習が困難になる。 KG-RAGレコメンデーションのための協調型マルチエージェントフレームワークであるMixRAGRecを提案する。 MixRAGRecはMixture-of-Experts Retrieval Agentを統合し、各クエリを異なる粒度のKG検索専門家にルーティングする。 特に,MMAPO(Mixture-of-Experts Multi-Agent Policy Optimization)を導入し,統合された目的の下で3人のエージェントを訓練する。 実世界のデータセットに関する大規模な実験は、我々のフレームワークの有効性を実証している。

関連論文リスト

• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need? [57.28763506780752]
  GraphFlowは、テキストリッチなKGから現実世界のクエリに必要な正確で多様な知識を効率的に取得するフレームワークである。 GPT-4oを含む強力なKG-RAGベースラインを10%上回り、ヒット率とリコール率で上回る。 また、KGを見えないものに強く一般化し、その有効性と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-18T17:06:49Z)
• Graph Retrieval-Augmented LLM for Conversational Recommendation Systems [52.35491420330534]
  G-CRS(Graph Retrieval-Augmented Large Language Model for Conversational Recommender Systems)は、グラフ検索強化世代とテキスト内学習を組み合わせた学習自由フレームワークである。 G-CRSは、タスク固有のトレーニングを必要とせず、既存の手法よりも優れたレコメンデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T03:56:22Z)
• FRAG: A Flexible Modular Framework for Retrieval-Augmented Generation based on Knowledge Graphs [17.477161619378332]
  両アプローチの利点を相乗化する新しいフレキシブルなモジュール型KG-RAGフレームワークFRAGを提案する。 知識グラフの代わりにクエリテキストを使用することで、FRAGは柔軟性を維持しながら検索品質を向上させる。
  論文  参考訳（メタデータ） (2025-01-17T05:19:14Z)
• LLM is Knowledge Graph Reasoner: LLM's Intuition-aware Knowledge Graph Reasoning for Cold-start Sequential Recommendation [47.34949656215159]
  大規模言語モデル(LLM)は、Webデータから学習された豊富な知識を持つデータベースとみなすことができる。 LLMの直感認識型知識グラフ推論モデル(LIKR)を提案する。 本モデルは,コールドスタートシーケンシャルレコメンデーションシナリオにおいて,最先端レコメンデーション手法より優れている。
  論文  参考訳（メタデータ） (2024-12-17T01:52:15Z)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• Comprehending Knowledge Graphs with Large Language Models for Recommender Systems [13.270018897057293]
  知識グラフを改善するために,CoLaKGと呼ばれる新しい手法を提案する。 項目中心のサブグラフ抽出とプロンプトエンジニアリングを用いることで、ローカル情報を正確に理解することができる。 さらに、意味に基づく検索モジュールを通じて、各項目は知識グラフ全体の関連項目によって濃縮される。
  論文  参考訳（メタデータ） (2024-10-16T04:44:34Z)
• KG-RAG: Bridging the Gap Between Knowledge and Creativity [0.0]
  大規模言語モデルエージェント(LMA)は、情報幻覚、破滅的な忘れ込み、長いコンテキストの処理における制限といった問題に直面している。 本稿では,LMAの知識能力を高めるため,KG-RAG (Knowledge Graph-Retrieval Augmented Generation)パイプラインを提案する。 ComplexWebQuestionsデータセットに関する予備実験では、幻覚的コンテンツの削減において顕著な改善が示されている。
  論文  参考訳（メタデータ） (2024-05-20T14:03:05Z)

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。