論文の概要: ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta

• arxiv url: http://arxiv.org/abs/2608.10187v1
• Date: Mon, 10 Aug 2026 20:02:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.802753
• Title: ConnectionMind: Leveraging Social Networks and Large Language Models for Personalized Recommendation at Meta
• Title（参考訳）: ConnectionMind: メタにおけるパーソナライズされたレコメンデーションのためのソーシャルネットワークと大規模言語モデルを活用する
• Abstract要約: ConnectionMindはMetaのプロダクション対応レコメンデーションフレームワークである。 ソーシャルネットワーク構造と大きな言語モデルを統合することで、スケーラブルで、解釈可能で、推論対応のパーソナライゼーションを可能にする。 Metaの大規模レコメンデーションパイプラインにデプロイされ、オンラインA/Bテストを通じて評価され、ビデオウォッチ時間において0.43%改善されている。
• 参考スコア（独自算出の注目度）: 39.0476353629498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern recommendation systems on social media platforms such as Meta must model complex social relationships, including friendships, group memberships, and creator interactions, alongside massive and heterogeneous content such as text and video. Traditional recommendation models, however, often omit these signals or treat them independently, lacking the reasoning capability to integrate multi-relational context for fine-grained personalization. We present ConnectionMind, a production-ready recommendation framework that tightly integrates the social network structure with large language models (LLMs) to enable scalable, interpretable, and reasoning-aware personalization in Meta. ConnectionMind constructs a heterogeneous graph connecting users, items, friends, groups, and creator pages, and formulates recommendation as a graph reasoning problem: discovering personalized paths from users to candidate items. An LLM-based policy is employed to reason over these graph structures and guide recommendation decisions. To train the system at scale, ConnectionMind adopts a two-stage learning strategy. We first perform supervised fine-tuning (SFT) on large-scale user-item interaction trajectories to initialize the reasoning policy, followed by end-to-end reinforcement learning (RL) to refine the model's ability to reason over social graphs for personalized recommendation. Extensive experiments on multiple real-world datasets demonstrate the effectiveness of ConnectionMind compared to representative baselines. More importantly, ConnectionMind has been deployed in Meta's large-scale recommendation pipeline and has been evaluated through online A/B tests, achieving a 0.43% improvement in video watch time. These results demonstrate measurable real-world impact in a production recommendation system.
• Abstract（参考訳）: メタのようなソーシャルメディアプラットフォーム上の現代のレコメンデーションシステムは、友情、グループメンバーシップ、クリエーターの相互作用を含む複雑な社会的関係を、テキストやビデオのような巨大で異質なコンテンツとともにモデル化しなければならない。 しかし、伝統的なレコメンデーションモデルは、しばしばこれらの信号を省略したり、個別に扱うことがあり、微粒なパーソナライズのために複数のリレーショナルなコンテキストを統合する能力が欠如している。 当社では,大規模言語モデル(LLM)とソーシャルネットワーク構造を密に統合して,Metaにおける拡張性,解釈性,推論を意識したパーソナライズを可能にする,プロダクション対応のレコメンデーションフレームワークであるConnectionMindを提案する。 ConnectionMindは、ユーザ、アイテム、友人、グループ、クリエーターページを接続する異種グラフを構築し、グラフ推論問題として推奨を定式化する。 LLMベースのポリシーは、これらのグラフ構造を推論し、推奨決定を導くために使用される。 システムを大規模にトレーニングするために、ConnectionMindは2段階の学習戦略を採用している。 まず、大規模ユーザ・イテムインタラクショントラジェクトリにおける教師付き微調整(SFT)を行い、推論ポリシーを初期化し、続いて、パーソナライズされたレコメンデーションのためにソーシャルグラフを解析するモデルの能力を改善するために、エンドツーエンド強化学習(RL)を行う。 複数の実世界のデータセットに対する大規模な実験は、代表的なベースラインと比較してConnectionMindの有効性を示している。 さらに重要なのは、ConnectionMindがMetaの大規模レコメンデーションパイプラインにデプロイされ、オンラインのA/Bテストを通じて評価され、ビデオウォッチ時間に0.43%改善されていることだ。 これらの結果は,製品レコメンデーションシステムにおける実世界の影響を計測できることを示している。

関連論文リスト

• Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation [60.03046892817763]
  ジェネレーティブレコメンデーションは、産業レコメンデーションシステムにおける約束を示す新興パラダイムである。 既存の手法は、複雑なユーザビヘイビアとアイテムセマンティックのコンテキストを同時にレコメンデーションモデルに注入するのに苦労することが多い。 本稿では,G2Recを提案する。G2Recは,汎用的なグラフベースユーザ統合モデリングとセマンティックトークン化を一体化して,産業規模の生成レコメンデーションを実現するスケーラブルなフレームワークである。
  論文  参考訳（メタデータ） (2026-06-18T17:58:32Z)
• Socially Aware Music Recommendation: A Multi-Modal Graph Neural Networks for Collaborative Music Consumption and Community-Based Engagement [0.0]
  本研究では,音楽レコメンデーションを社会的に認識するための新しいMulti-Modal Graph Neural Network(MM-GNN)フレームワークを提案する。 提案モデルでは, 歌詞, 音声, 視覚データからモダリティ固有の表現を整列する, 融合のない深層相互学習戦略を提案する。 音響信号とテキスト信号から得られる感情認識の埋め込みは、感情的に整合したレコメンデーションに寄与する。
  論文  参考訳（メタデータ） (2025-09-13T02:04:39Z)
• Research on Personalized Financial Product Recommendation by Integrating Large Language Models and Graph Neural Networks [2.86471061970102]
  大規模言語モデル(LLM)とグラフニューラルネットワーク(GNN)を統合したハイブリッドフレームワークを提案する。 事前訓練されたLLMはテキストデータ(例えばユーザレビュー)をリッチな特徴ベクトルにエンコードし、不均一なユーザ生成グラフは相互作用と社会的結びつきをモデル化する。 公開および実世界の財務データセットの実験では、我々のモデルは、強い解釈可能性を持つ、正確性、リコール、NDCGにおいてスタンドアロンのLLMやGNNよりも優れています。
  論文  参考訳（メタデータ） (2025-06-06T08:41:33Z)
• Gated Multimodal Graph Learning for Personalized Recommendation [9.466822984141086]
  マルチモーダルレコメンデーションは、協調フィルタリングにおけるコールドスタートとスパーシリティの問題を軽減するための有望なソリューションとして登場した。 グラフベースユーザモデリングと適応型マルチモーダルアイテムエンコーディングを組み合わせた軽量かつモジュール化されたレコメンデーションフレームワーク RLMultimodalRec を提案する。
  論文  参考訳（メタデータ） (2025-05-30T16:57:17Z)
• SymCERE: Symmetric Contrastive Learning for Robust Review-Enhanced Recommendation [2.087411180679868]
  提案するSymCEREは,提案する偽陰性に対処するコントラスト学習手法である。 3つのプラットフォームからの15のデータセットの実験では、SymCEREがいくつかの強力なベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-04-03T00:40:09Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Social Recommendation with Self-Supervised Metagraph Informax Network [21.41026069530997]
  本稿では,ユーザの好み表現に社会的・知識に配慮した関係構造を組み込む可能性について検討する自己改善メタグラフInfor-max Network(SMIN)を提案する。 高次協調信号を注入するために、自己教師付きグラフベース協調フィルタリングの下で相互情報学習パラダイムを一般化する。 いくつかの実世界のデータセットに対する実験結果から,SMINモデルが様々な最先端レコメンデーション手法に対して有効であることを示す。
  論文  参考訳（メタデータ） (2021-10-08T08:18:37Z)
• User Memory Reasoning for Conversational Recommendation [68.34475157544246]
  本研究では,ユーザの過去の(オフライン)好みと現在の(オンライン)要求を動的に管理する対話レコメンデーションモデルについて検討する。 MGConvRexはユーザメモリ上の人間レベルの推論をキャプチャし、推奨のためにゼロショット(コールドスタート)推論のためにユーザのトレーニング/テストセットを分離する。
  論文  参考訳（メタデータ） (2020-05-30T05:29:23Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。