Fugu-MT 論文翻訳(概要): TRACE: Trustworthy Retrieval-Augmented Conversational Engine

論文の概要: TRACE: Trustworthy Retrieval-Augmented Conversational Engine

arxiv url: http://arxiv.org/abs/2608.10176v1
Date: Mon, 10 Aug 2026 19:45:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.799183
Title: TRACE: Trustworthy Retrieval-Augmented Conversational Engine
Title（参考訳）: TRACE:信頼できる検索機能強化された会話エンジン
Abstract要約: ノイズおよび異種サービスディレクトリ上に構築された公開サービス対話システムにおいて,検索品質が制約対応推薦に与える影響について検討する。本稿では,入力されたユーザクエリを,下流検索のための構造的および意味的制約に解析する,検索ベースの制約対応フレームワークTRACEを提案する。
参考スコア（独自算出の注目度）: 0.4773403254712565
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Public service chatbots are expected to deliver recommendations from an underlying public service directory, while also making sure that the recommendations respect explicit user constraints. In practice, public service directories are noisy and inconsistent, and general-purpose large language model (LLM) or AI-based chatbots frequently generate unreliable recommendations, citing unverified sources from the web. We investigate the impact of retrieval quality on constraint-aware recommendation in public service conversational systems built over noisy and heterogeneous service directories. We propose TRACE (Trustworthy Retrieval-Augmented Conversational Engine), a retrieval-based, constraint-aware framework that parses input user queries into structural and semantic constraints for downstream retrieval, with the help of a dual data representation schema. Using a curated statewide pantry directory and a synthetic query benchmark, we evaluate multiple knowledge-representation variants with and without knowledge graphs (KGs). We experiment with several open-source LLMs and a proprietary model, showing that strengthening retrieval substantially improves user constraint satisfaction while reducing hallucinated recommendations. Performance differences across LLMs narrowed in our experiments as retrieval quality improved, making results less sensitive to model size. These findings suggest that the quality of retrieval is key for robust public service conversational systems.
Abstract（参考訳）: パブリックサービスチャットボットは、下層のパブリックサービスディレクトリからレコメンデーションを提供するとともに、レコメンデーションが明示的なユーザ制約を尊重することを保証します。実際には、パブリックサービスディレクトリは騒々しく一貫性がなく、汎用の大規模言語モデル(LLM)やAIベースのチャットボットは、Webからの未検証ソースを引用して、信頼できないレコメンデーションを頻繁に生成します。ノイズおよび異種サービスディレクトリ上に構築された公開サービス対話システムにおいて,検索品質が制約対応推薦に与える影響について検討する。提案するTRACE(Trustworthy Retrieval-Augmented Conversational Engine)は,入力されたユーザクエリを下流検索のための構造的および意味的制約に解析する,検索ベースの制約対応フレームワークである。そこで我々は,複数の知識表現の変種を知識グラフ(KGs)を用いて評価した。我々は,いくつかのオープンソースのLCMとプロプライエタリなモデルを用いて実験を行い,検索の強化により,幻覚的レコメンデーションを減らし,ユーザの制約満足度を大幅に向上することを示した。 LLM間の性能差は, 検索品質が向上し, モデルサイズに敏感な結果が得られた。これらの結果から, 検索の質が, 堅牢な公共サービス対話システムにおいて重要であることが示唆された。

関連論文リスト

Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation [56.36851606088493]
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。
論文参考訳（メタデータ） (2026-05-27T08:56:57Z)
Sequence-aware Large Language Models for Explainable Recommendation [5.503509958032475]
大規模言語モデル(LLM)は、レコメンダシステムのための自然言語の説明を生成する強力な可能性を示している。本稿では,説明生成とユーティリティ・アウェア・アセスメントを統合したフレームワークを提案する。統合評価フレームワークは、テキスト品質とそれらの推奨結果への影響の両方を通して、説明を評価する。
論文参考訳（メタデータ） (2026-03-25T10:00:13Z)
Learning to Shop Like Humans: A Review-driven Retrieval-Augmented Recommendation Framework with LLMs [30.748667156183004]
RevBrowseはレビュー駆動のレコメンデーションフレームワークである。 RevBrowseは、ユーザレビューをLLMベースのリグレードプロセスに統合し、候補項目を識別する機能を強化する。 PrefRAGは、ユーザとアイテムの表現を構造化形式に分解する検索拡張モジュールである。
論文参考訳（メタデータ） (2025-08-31T04:37:43Z)
Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation [5.656477996187559]
Explainable Recommender System (ExRec)は、レコメンデーションプロセスへの透明性を提供し、ユーザの信頼を高め、オンラインサービスの運用を促進する。既存のLLMベースのExRecモデルは、プロファイルの偏りと高い検索オーバーヘッドに悩まされ、デプロイメントを妨げている。階層的集約(REXHA)を用いた検索拡張レコメンデーション記述生成を提案する。
論文参考訳（メタデータ） (2025-07-12T08:15:05Z)
SweRank: Software Issue Localization with Code Ranking [109.3289316191729]
SweRankは、ソフトウェア問題ローカライゼーションのための効率的な検索と参照のためのフレームワークである。パブリックなGitHubリポジトリからキュレートされた大規模なデータセットであるSweLocを構築します。 SweRankは最先端の性能を達成し、従来のランキングモデルとコストの高いエージェントベースシステムの両方より優れていることを示す。
論文参考訳（メタデータ） (2025-05-07T19:44:09Z)
Utility-Focused LLM Annotation for Retrieval and Retrieval-Augmented Generation [96.18720164390699]
本稿では,大規模言語モデル (LLM) を用いた検索・検索・拡張生成システム (RAG) の訓練における文書ユーティリティのアノテートについて検討する。以上の結果から,LLM生成アノテーションは,人間のアノテーションや下流QAメトリクスのみを訓練したモデルと比較して,ドメイン外検索性能の向上とRAG結果の改善を図っている。
論文参考訳（メタデータ） (2025-04-07T16:05:52Z)
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)
Improving Retrieval in Sponsored Search by Leveraging Query Context Signals [6.152499434499752]
本稿では,クエリをリッチなコンテキスト信号で拡張することで,クエリ理解を強化する手法を提案する。我々は、Web検索のタイトルとスニペットを使って、現実世界の情報にクエリを接地し、GPT-4を使ってクエリの書き直しと説明を生成する。我々の文脈認識アプローチは文脈自由モデルよりも大幅に優れている。
論文参考訳（メタデータ） (2024-07-19T14:28:53Z)
Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models [115.7508325840751]
近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。 LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
論文参考訳（メタデータ） (2023-05-22T15:12:43Z)
Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
論文参考訳（メタデータ） (2023-05-12T11:58:15Z)

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。