論文の概要: Making Collaborative Signals Count: Graph-Aware Large Language Models for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2608.12184v2
• Date: Mon, 17 Aug 2026 07:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.031241
• Title: Making Collaborative Signals Count: Graph-Aware Large Language Models for Sequential Recommendation
• Title（参考訳）: 協調的信号を数える:逐次推薦のためのグラフ対応大規模言語モデル
• Abstract要約: 逐次レコメンデーションのためのグラフ対応LLMフレームワークであるGALLMを提案する。 GALLMは、テキストトークンとアイテムトークンのコラボレーティブグラフを構築し、3種類の関係をモデル化する。 4つの実世界のベンチマーク実験により、GALLMは比較したベースラインの中で最高のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 14.98615627827995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have been widely adopted as backbones for recommender systems. However, their language-centric pretraining makes it difficult to capture collaborative signals implicit in user-item interactions, which are crucial for personalized recommendation. Existing methods either inject collaborative representations produced by external recommenders or model only intra-sequence dependencies, limiting their ability to exploit global collaborative patterns. To address this limitation, we propose GALLM, a graph-aware LLM framework for sequential recommendation. GALLM constructs a collaborative graph over text tokens and item tokens, and models three types of relations: Text--Text relations for preserving semantic dependencies, Item--Text relations for aligning item tokens with their textual descriptions, and Item--Item relations derived from global item co-occurrence patterns. These relations are transformed into lightweight learnable attention biases and incorporated into the LLM attention mechanism, enabling collaborative-aware token interactions without introducing an additional graph encoder. Experiments on four real-world benchmarks show that GALLM achieves the best performance among the compared baselines, improving over the strongest baseline by 9.76\% on average in HR@5.
• Abstract（参考訳）: 大規模言語モデル (LLM) は推奨システムのバックボーンとして広く採用されている。 しかし、それらの言語中心の事前訓練は、パーソナライズされたレコメンデーションにとって不可欠であるユーザとイテムのインタラクションにおいて暗黙的に協調的なシグナルを捉えるのを困難にしている。 既存の手法では、外部レコメンデータによって生成された協調表現を注入するか、シーケンス内依存のみをモデルとして、グローバルな協調パターンを利用する能力を制限する。 この制限に対処するため,グラフ対応LLMフレームワークであるGALLMを提案する。 GALLMは、テキストトークンとアイテムトークンのコラボレーティブグラフを構築し、セマンティックな依存関係を保存するためのテキスト-テキスト関係、アイテムトークンをそれらのテキスト記述と整合させるアイテム-テキスト関係、グローバルなアイテム共起パターンから派生したアイテム-アイテム関係の3つのタイプをモデル化する。 これらの関係は、軽量な学習可能なアテンションバイアスに変換され、LLMアテンションメカニズムに組み込まれ、追加のグラフエンコーダを導入することなく、協調的にトークンの相互作用を可能にする。 4つの実世界のベンチマークでの実験では、GALLMは比較されたベースラインの中で最高のパフォーマンスを達成し、HR@5の平均で最強のベースラインを9.76倍改善している。

関連論文リスト

• A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation [13.705515718089123]
  Retrieval-Augmented Generation (RAG) は、大規模言語モデルを外部知識で拡張するためのパラダイムとして登場した。 既存のグラフベースの手法は、真の知識融合なしに原文に固定された表現を操作する。 本稿では,HyGRAGを提案する。HyGRAGは階層型グラフRAGフレームワークで,3つのコア課題に対処することで,ソース文書を超越する。
  論文  参考訳（メタデータ） (2026-06-16T15:44:10Z)
• From Token to Item: Enhancing Large Language Models for Recommendation via Item-aware Attention Mechanism [17.92505712532828]
  大規模言語モデル(LLM)は最近、推奨分野において注目を集めている。 我々は、推薦におけるトークンの役割を再考し、それらの関係を2つのタイプに分類する。 本稿では,LLMを推奨するために,アイテム認識型アテンション機構(IAM)を備えた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T06:56:59Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• 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)
• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CCFRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• 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)
• Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
  本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。 Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。 実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
  論文  参考訳（メタデータ） (2024-10-31T16:34:03Z)
• Semi-automatic Data Enhancement for Document-Level Relation Extraction with Distant Supervision from Large Language Models [26.523153535336725]
  ドキュメントレベルの関係抽出(DocRE)は、長いコンテキストから関係を抽出することを目的としている。 本稿では,大規模言語モデル (LLM) と自然言語推論 (NLI) モジュールを統合する手法を提案する。 DocGNREと呼ばれる拡張データセットを導入することで,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-13T13:10:44Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)

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。