論文の概要: GARDRec: Decision-Level Graph Grounding for Large Language Model Recommendation
- arxiv url: http://arxiv.org/abs/2608.00669v1
- Date: Sat, 01 Aug 2026 13:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.852753
- Title: GARDRec: Decision-Level Graph Grounding for Large Language Model Recommendation
- Title（参考訳）: GARDRec: 大規模言語モデルレコメンデーションのための決定レベルグラフグラウンド
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.913416708367503
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large language models (LLMs) offer new opportunities for recommendation by interpreting item descriptions, user instructions, and external knowledge through natural-language prompts. However, existing graph-augmented LLM recommenders often use knowledge graphs mainly as prompt-level evidence, leaving ranking decisions weakly constrained by structured user-item relations. This is problematic for next-item recommendation, where the model must compare candidates under the same user context while preserving temporal preference, collaborative signals, and attribute matches. To address this issue, we propose \emph{GARDRec}, a Graph-grounded Adaptive Reasoning and Decision-aware Recommendation framework for LLM-based next-item ranking. GARDRec constructs semantic-structural item representations from textual node features and graph propagation, derives personalized graph contexts from temporally weighted histories and first-order neighborhoods, and aligns graph-derived representations with a frozen LLM through continuous multimodal prompts. Explicit interaction and matching features are injected through late-stage decision branches, while inter-candidate attention and restricted generative likelihood support final ranking. Experiments on three public benchmarks with multiple LLM backbones show that GARDRec generally improves candidate-ranking performance over representative baselines. Ablation and diagnostic analyses verify the contributions of graph projection, neighborhood retrieval, explicit decision features, ranking loss, and generative calibration.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、アイテム記述、ユーザ指示、および自然言語のプロンプトを通じて外部知識を解釈することで、推奨する新たな機会を提供する。
しかし、既存のグラフ拡張LDMレコメンダは、しばしば知識グラフを主にプロンプトレベルの証拠として使用し、構造化されたユーザ-イテム関係によってランク決定が弱く制約される。
これは、モデルが時間的嗜好、協調信号、属性マッチングを保ちながら、同じユーザコンテキスト下での候補を比較しなければならない、という次の項目の推奨に問題があります。
この問題に対処するために,LLMに基づく次項目ランキングのための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 \emph{GARDRec} を提案する。
GARDRecは、テキストノードの特徴とグラフの伝播から意味的・構造的項目表現を構築し、時間的に重み付けされた履歴と一階の近傍からパーソナライズされたグラフコンテキストを導出し、連続的なマルチモーダルプロンプトを通じてグラフ由来の表現を凍結LDMと整列する。
明示的な相互作用と整合性は後期決定枝を通じて注入され、候補間注意と限定的生成可能性は最終ランキングをサポートする。
複数のLDMバックボーンを持つ3つの公開ベンチマークの実験では、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が向上している。
アブレーションと診断分析は, グラフ投影, 近傍探索, 明確な決定特徴, ランキング損失, 生成キャリブレーションの寄与を検証した。
関連論文リスト
- GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - LlamaRec-LKG-RAG: A Single-Pass, Learnable Knowledge Graph-RAG Framework for LLM-Based Ranking [0.0]
LlamaRec-LKG-RAGは、パーソナライズされた知識グラフコンテキストをレコメンデーションランキングに統合する、新しい単一パスでエンドツーエンドのトレーニング可能なフレームワークである。
提案手法はLlamaRecアーキテクチャを拡張し,ユーザプライオリティを動的に識別する軽量なモジュールを組み込むことで実現した。
ML-100KとAmazon Beautyデータセットの実験では、主要なランキングメトリクス間でLlamaRecよりも一貫性があり、重要な改善が示されている。
論文 参考訳（メタデータ） (2025-06-09T05:52:03Z) - Cold-Start Recommendation with Knowledge-Guided Retrieval-Augmented Generation [40.29333074640531]
ColdRAGは、ドメイン固有の知識グラフを構築する、検索強化された生成アプローチである。
我々は,ColdRAGがリコールやNDCGの既存のゼロショットベースラインを超えることを示す。
このフレームワークは,知識グラフ推論とLLM生成を組み合わせ,コールドスタートレコメンデーションの実践的解決策を提供する。
論文 参考訳（メタデータ） (2025-05-27T06:23:26Z) - Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。
革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。
属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。
階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文 参考訳（メタデータ） (2025-05-20T06:44:34Z) - 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) - 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) - G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation [48.23263809469786]
本稿では,グラフ検索拡張大言語モデル (LLM) を用いた提案手法を提案する。
G-Referは、説明可能性と安定性の両方において既存の手法と比較して優れた性能を達成する。
論文 参考訳（メタデータ） (2025-02-18T06:42:38Z) - SocialGPT: Prompting LLMs for Social Relation Reasoning via Greedy Segment Optimization [70.11167263638562]
社会的関係推論は、友人、配偶者、同僚などの関係カテゴリを画像から識別することを目的としている。
まず、VFM(Vision Foundation Models)の知覚能力と、モジュラーフレームワーク内でのLLM(Large Language Models)の推論能力を組み合わせた、シンプルだが巧妙な名前のフレームワークを提示する。
論文 参考訳（メタデータ） (2024-10-28T18:10:26Z) - ELCoRec: Enhance Language Understanding with Co-Propagation of Numerical and Categorical Features for Recommendation [38.64175351885443]
大規模言語モデルは自然言語処理(NLP)領域で栄えている。
レコメンデーション指向の微調整モデルによって示された知性にもかかわらず、LLMはユーザーの行動パターンを完全に理解するのに苦労している。
既存の作業は、その重要な情報を導入することなく、与えられたテキストデータに対してのみLLMを微調整するだけである。
論文 参考訳（メタデータ） (2024-06-27T01:37:57Z)
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。