論文の概要: From "Strings" to "Things" for Personal Knowledge Graphs: Evaluating LLM Triple Extraction for Recommendation Systems
- arxiv url: http://arxiv.org/abs/2607.00003v1
- Date: Sat, 18 Apr 2026 12:23:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.961059
- Title: From "Strings" to "Things" for Personal Knowledge Graphs: Evaluating LLM Triple Extraction for Recommendation Systems
- Title（参考訳）: 個人知識グラフの「弦」から「弦」へ:レコメンデーションシステムにおけるLLMトリプル抽出の評価
- Abstract要約: 本稿では,対話型「弦」と意味的「物」のギャップを,構造化されたユーザ参照三重項を抽出するための再現可能なパイプラインを提示することによって埋める。
PKG構築のための会話データからWikidata識別子にリンクしたRDF準拠のトリプルを抽出できるQwenとGemmaに基づくモデルの評価を行った。
- 参考スコア（独自算出の注目度）: 42.94040983864023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personal Knowledge Graphs (PKGs) offer a privacy-preserving framework for modeling user preferences, yet constructing them from unstructured, decentralized conversational data remains a challenge. This paper bridges the gap between conversational "strings" and semantic "things" by presenting a reproducible pipeline for extracting structured user-preference triples using lightweight Large Language Models. We evaluate Qwen- and Gemma-based models on their ability to extract RDF-compliant triples linked to Wikidata identifiers from conversational data for PKG construction. Our evaluation assesses both the semantic extraction fidelity and the utility of the resulting graphs in a downstream recommendation task. We found that certain models performed well and had proportionally high downstream performance relative to their triple extraction performance.
- Abstract（参考訳）: Personal Knowledge Graphs (PKG)は、ユーザの好みをモデル化するためのプライバシ保護フレームワークを提供するが、構造化されていない分散化された会話データからそれらを構築することは依然として課題である。
本稿では、軽量な大規模言語モデルを用いて、構造化されたユーザ参照トリプルを抽出するための再現可能なパイプラインを提示することにより、会話の「文字列」と意味的な「もの」のギャップを埋める。
PKG構築のための会話データからWikidata識別子にリンクしたRDF準拠のトリプルを抽出できるQwenとGemmaに基づくモデルの評価を行った。
本評価では,下流の推薦課題において,意味抽出精度と結果グラフの有用性を両立させる。
その結果, あるモデルの性能は良好であり, 3重抽出性能に対して, 下流性能が比例的に高かった。
関連論文リスト
- GARDRec: Decision-Level Graph Grounding for Large Language Model Recommendation [19.913416708367503]
グラフグラウンド適応推論および決定対応推薦フレームワークであるemphGARDRecを提案する。
GARDRecは、テキストノードの特徴とグラフの伝搬から意味-構造的項目表現を構築する。
実験により、GARDRecは一般的に代表ベースラインよりも候補レベルのパフォーマンスを改善することが示された。
論文 参考訳（メタデータ） (2026-08-01T13:44:04Z) - KGCQual: An Interpretable Framework for Evaluating the Knowledge Graph Construction Quality from Text [6.373904244962351]
本稿では,本質的な知識グラフ品質評価のための新しい解釈可能な指標を提案する。
自動的に抽出されたグラフがいかに「理想」グラフに近似するかを測定する。
複数の最先端の3重抽出システムとデータセットで測定値を評価する。
論文 参考訳（メタデータ） (2026-07-11T08:45:15Z) - Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs [48.16012222834734]
関係集合完了タスク(RSC)と関係集合埋め込みモデル(RelSetE)を導入する。
RSCは、あるエンティティと意味的に互換性のある欠落した関係を推論することを目的としている。
RelSetEは、観測されたエンティティの関係の中で潜在パターンをモデル化し、失われたパターンを推測する。
論文 参考訳（メタデータ） (2026-06-29T06:54:40Z) - OMNIA: Closing the Loop by Leveraging LLMs for Knowledge Graph Completion [5.1405091437027455]
我々は、知識グラフ補完のための構造的および意味論的推論を橋渡しする2段階のアプローチであるOMNIAを提案する。
まず、KG内の意味論的関連エンティティと関係をクラスタリングして候補三重項を生成し、その後、軽量な埋め込みフィルタリングによってそれらを検証する。
F1スコアは従来の埋め込みベースのモデルに比べて大幅に改善されている。
論文 参考訳（メタデータ） (2026-03-12T11:30:41Z) - Hierarchical Lexical Graph for Enhanced Multi-Hop Retrieval [22.33550491040999]
RAGは、大きな言語モデルを外部の証拠に基礎を置いているが、セマンティックに遠く離れた文書で答えをまとめなければならないと、いまだに混乱している。
私たちは、StatementGraphRAGとTopicGraphRAGという2つのプラグイン・アンド・プレイレトリバーを構築します。
提案手法は,検索リコールと正当性において平均23.1%の相対的改善を達成し,有意なチャンクベースRAGよりも優れていた。
論文 参考訳（メタデータ） (2025-06-09T17:58:35Z) - Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。
まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。
次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
論文 参考訳（メタデータ） (2025-04-08T15:22:08Z) - TD3: Tucker Decomposition Based Dataset Distillation Method for Sequential Recommendation [50.23504065567638]
本稿では,メタラーニングフレームワークにおける textbfDataset textbfDistillation 手法である textbfTD3 を紹介する。
TD3は、オリジナルのデータから完全に表現力のある合成配列の要約を蒸留する。
拡張技術により、学習者は合成要約を忠実に適合させ、アンプループでの正確な更新を確実にすることができる。
論文 参考訳（メタデータ） (2025-02-05T03:13:25Z) - Learning to Extract Structured Entities Using Language Models [52.281701191329]
機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。
タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。
我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
論文 参考訳（メタデータ） (2024-02-06T22:15:09Z) - 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) - Consistency Guided Knowledge Retrieval and Denoising in LLMs for
Zero-shot Document-level Relation Triplet Extraction [43.50683283748675]
文書レベルの関係トリプルト抽出(DocRTE)は、文書から意味的関係を持つエンティティを同時に抽出することを目的とした情報システムの基本課題である。
既存の手法は、かなりの量の完全なラベル付きデータに依存している。
ChatGPTやLLaMAのような最近の先進言語モデル(LLM)は、素晴らしい長文生成能力を示している。
論文 参考訳（メタデータ） (2024-01-24T17:04:28Z) - AnnoLLM: Making Large Language Models to Be Better Crowdsourced Annotators [98.11286353828525]
GPT-3.5シリーズのモデルは、様々なNLPタスクにまたがる顕著な少数ショットとゼロショットの能力を示している。
本稿では,2段階のアプローチを取り入れたAnnoLLMを提案する。
我々はAnnoLLMを用いた対話型情報検索データセットを構築した。
論文 参考訳（メタデータ） (2023-03-29T17:03:21Z) - Modeling Multi-Granularity Hierarchical Features for Relation Extraction [26.852869800344813]
本稿では,原文のみに基づく多粒度特徴抽出手法を提案する。
外部知識を必要とせずに,効果的な構造的特徴が達成可能であることを示す。
論文 参考訳（メタデータ） (2022-04-09T09:44:05Z)
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。