論文の概要: X-KGRank: A Knowledge Graph RAG Framework for Explainable Recommendations via Pattern Mining and LLM Re-Ranking
- arxiv url: http://arxiv.org/abs/2608.01732v1
- Date: Mon, 03 Aug 2026 05:56:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.343139
- Title: X-KGRank: A Knowledge Graph RAG Framework for Explainable Recommendations via Pattern Mining and LLM Re-Ranking
- Title（参考訳）: X-KGRank:パターンマイニングとLLMリランキングによる説明可能なレコメンデーションのための知識グラフRAGフレームワーク
- Abstract要約: X-KGRankは、構造的協調フィルタリングとLLMに基づく説明を統合する知識グラフ検索フレームワークである。
我々は3つの関係型(Rated, HAS_GENRE, CO_Rated)にまたがる9,762個のノードと999,264個のエッジからなる異種知識グラフを構築した。
X-KGRank は NDCG@10 = 0.2956 と Recall@10 = 0.5371 を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern recommender systems produce predictions that users cannot interrogate. The two dominant improvements, collaborative filtering and LLM-based reasoning, each fall short: collaborative filtering captures behavioural signals but offers no reasoning, while large language models (LLMs) generate fluent explanations but hallucinate and are poorly grounded in a user's history. We present X-KGRank, a knowledge graph retrieval augmented framework that unifies structural collaborative filtering with LLM-based explanation. From the MovieLens-1M dataset (6,040 users, 3,704 items, 988,129 interactions) we construct a heterogeneous knowledge graph of 9,762 nodes and 999,264 edges spanning three relation types (RATED, HAS_GENRE, and CO_RATED) persisted in Neo4j. We train a LightGCN ranker with content-aware SBERT initialization and a rating weighted BPR objective, and apply a popularity selective routing strategy that grounds long-tail items (1,855 of 3,704) in knowledge-graph paths while serving popular items from pre-trained knowledge, reducing KG-augmented generations by roughly 50%. On the MovieLens-1M test set under a 99-sample protocol, X-KGRank achieves NDCG@10 = 0.2956 and Recall@10 = 0.5371, improving over a strong popularity baseline by 17.1% on both metrics, by 15.6% on NDCG@20 (0.3449 vs. 0.2983), and by 14.6% on MRR (0.2435 vs. 0.2124). Across three LLM backbones evaluated on 16 cases, a 1.5-billion-parameter model (Qwen2.5-1.5B) matches a 7-billion-parameter model (Mistral-7B) on heuristic explanation quality (0.97 vs. 0.94), yet qualitative analysis shows the smaller model is more prone to factual fabrication.
- Abstract（参考訳）: 現代のレコメンデーターシステムは、ユーザーが尋問できない予測を生成する。
協調フィルタリングは、振る舞いの信号をキャプチャするが、推論は提供しないが、大きな言語モデル(LLM)は、流動的な説明を生成するが、幻覚は生じず、ユーザーの歴史に根ざしていない。
構造的協調フィルタリングとLCMに基づく説明を統一する知識グラフ検索拡張フレームワークであるX-KGRankを提案する。
MovieLens-1Mデータセット(6,040ユーザ,3,704項目,988,129インタラクション)から,Neo4jに残る3つの関係型(Rated,HAS_GENRE,CO_Rated)にまたがる9,762ノードと999,264エッジの異種知識グラフを構築した。
我々は、コンテンツ対応のSBERT初期化と評価重み付けされたBPR目標を備えたLightGCNローダを訓練し、知識グラフパスで長いテールアイテム(1,855～3,704)を根拠として、人気アイテムを事前学習した知識から提供し、KG拡張世代を約50%削減する人気選択ルーティング戦略を適用した。
99サンプルプロトコルで設定されたMovieLens-1Mテストセットでは、X-KGRank は NDCG@10 = 0.2956 と Recall@10 = 0.5371 を達成し、両方のメトリクスで17.1%、NDCG@20 (0.3449 vs. 0.2983)で15.6%、MRRで14.6%向上した(0.2435 vs. 0.2124)。
1.5ビリオンパラメータモデル (Qwen2.5-1.5B) と7ビリオンパラメータモデル (Mistral-7B) をヒューリスティックな説明品質 (0.97 vs. 0.94) で一致させた。
関連論文リスト
- Sub-Billion, Super-Frontier: Small Language Models Rival Zero-Shot Frontier LLMs on General and Literary Relation Extraction [5.070542698701158]
大言語モデル(LLM)は強い関係抽出(RE)を実現する
本研究では,小言語モデル(SLM)が汎用ドメインと文学テキスト間のギャップをいかに埋めるかを考察する。
論文 参考訳（メタデータ） (2026-06-21T17:24:31Z) - Delta-Based Neural Architecture Search: LLM Fine-Tuning via Code Diffs [48.83701310501069]
大規模言語モデル(LLM)は、ニューラルアーキテクチャ生成の強力な可能性を示している。
既存のアプローチは、ゼロから完全なモデル実装を生成します。
我々はデルタ符号生成法を提案し、細調整されたLLMはコンパクトな統一差分を生成する。
論文 参考訳（メタデータ） (2026-05-06T13:32:05Z) - Don't Make the LLM Read the Graph: Make the Graph Think [13.277447097714395]
協調型マルチエージェントカードゲーム「はなび」において,明示的な信念グラフがLLM性能を向上させるか否かを検討する。
3000以上の対照試験により,4つの結果が得られた。
論文 参考訳（メタデータ） (2026-04-24T22:56:19Z) - Greedy Is a Strong Default: Agents as Iterative Optimizers [0.22843885788439797]
ランダムな提案生成装置をLCMエージェントに置き換え、評価診断を理由として情報付き候補を提案する。
離散的,混合的,連続的な検索空間にまたがる4つのタスクを評価する。
論文 参考訳（メタデータ） (2026-03-28T21:26:40Z) - Benchmarking Linguistic Adaptation in Comparable-Sized LLMs: A Study of Llama-3.1-8B, Mistral-7B-v0.1, and Qwen3-8B on Romanized Nepali [0.0]
ネパール語はラテン文字で書かれたネパール語であり、ネパールにおける非公式なデジタルコミュニケーションの主流となっている。
本研究では、3つの同等サイズのオープンウェイトモデルにまたがる言語適応の系統的ベンチマークを示す。
論文 参考訳（メタデータ） (2026-03-25T07:02:51Z) - Reasoning-guided Collaborative Filtering with Language Models for Explainable Recommendation [11.176352617829481]
RGCF-XRecは、推論誘導協調フィルタリング(CF)の知識を言語モデルに導入し、シーケンシャルなレコメンデーションを提供するハイブリッドフレームワークである。
Amazonのデータセット、Sports、Toys、Beautyで、642,503のユーザ-itemインタラクションを含む一貫した改善が示されている。
コールド・ウォーム・パフォーマンスのギャップを減らし、コールド・スタートで14.5%、ウォーム・スタートのシナリオで11.9%となる。
論文 参考訳（メタデータ） (2026-02-05T11:05:09Z) - RefineBench: Evaluating Refinement Capability of Language Models via Checklists [71.02281792867531]
本研究は,2つの改良モード(ガイドリファインメントと自己リファインメント)を評価する。
ガイド付き改良では、プロプライエタリなLMと大きなオープンウェイトLMの両方が目標フィードバックを利用して、5ターン以内のほぼ完全なレベルへの応答を洗練できる。
これらの結果は、フロンティアLMは誤った反応を自己調整するためにブレークスルーを必要とすることを示唆している。
論文 参考訳（メタデータ） (2025-11-27T07:20:52Z) - MobileLLM-R1: Exploring the Limits of Sub-Billion Language Model Reasoners with Open Training Recipes [60.57770396565211]
強い推論能力は、はるかに少ないデータで実現可能であることを示す。
MobileLLM-R50MのAIMEスコアは15.5であり、OLMo-2-1.48Bは0.6、SmolLM-2-1.7Bは0.3である。
論文 参考訳（メタデータ） (2025-09-29T15:43:59Z) - LLM Robustness Against Misinformation in Biomedical Question Answering [50.98256373698759]
探索拡張生成(RAG)アプローチは,質問応答のための大規模言語モデル(LLM)の折り畳みを低減するために用いられる。
バイオメディカル質問に対する誤報に対する4つのLDMの有効性とロバスト性を評価した。
論文 参考訳（メタデータ） (2024-10-27T16:23:26Z) - Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting [65.00288634420812]
Pairwise Ranking Prompting (PRP)は、大規模言語モデル(LLM)の負担を大幅に軽減する手法である。
本研究は,中等級のオープンソースLCMを用いた標準ベンチマークにおいて,最先端のランク付け性能を達成した文献としては初めてである。
論文 参考訳（メタデータ） (2023-06-30T11:32:25Z) - HRank: Filter Pruning using High-Rank Feature Map [149.86903824840752]
我々は高階特徴写像(HRank)を探索する新しいフィルタ刈り法を提案する。
私たちのHRankは、単一のフィルタで生成された複数の特徴マップの平均ランクが常に同じであるという発見にインスピレーションを受けています。
HRankに基づいて,低ランク特徴写像を持つプーンフィルタに数学的に定式化する手法を開発した。
論文 参考訳（メタデータ） (2020-02-24T11:50:09Z)
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。