論文の概要: POI Recommendation with LLM-Augmented Multi-Graph Learning and Contrastive Alignment

• arxiv url: http://arxiv.org/abs/2608.16407v1
• Date: Mon, 17 Aug 2026 11:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.644281
• Title: POI Recommendation with LLM-Augmented Multi-Graph Learning and Contrastive Alignment
• Title（参考訳）: LLM強化マルチグラフ学習とコントラストアライメントによるPOI勧告
• Abstract要約: グラフニューラルネットワークに基づくPOI(Point-of-interest)レコメンデーションモデルは,ユーザとイテムのインタラクションに対して協調的なシグナルを伝搬することにより,強力なパフォーマンスを実現する。 光GCNのバックボーンを拡張するために、アイテムに関する意味的および空間的情報を利用する多グラフニューラルネットワークであるMulti-Graph Contrastive Learning (LLM-MGCL)を提案する。 以上の結果から,LLM由来の外部知識は協調的信号の欠如を効果的に補うことができ,POI推奨項目のコールドスタート問題を緩和できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.7081442513665945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point-of-interest (POI) recommendation models based on graph neural networks achieve strong performance by propagating collaborative signals over user-item interactions, yet they struggle with the cold-start problem, where items with few or no interactions are not represented. In this paper, we propose LLM-augmented Multi-Graph Contrastive Learning (LLM-MGCL), a multi-graph neural network that uses semantic and spatial information about items to extend the LightGCN backbone with two auxiliary item-item graphs: a semantic graph constructed from sentence embeddings of LLM-generated photo summaries and keywords, and a geographic graph derived from Haversine distances between business locations. Item embeddings are propagated over all three graphs in parallel, fused additively, and aligned across views through a bidirectional InfoNCE contrastive objective that connects behavioral, semantic, and spatial representations of the same items. Experiments on the Yelp Multimodal Recommendation Dataset show that LLM-MGCL outperforms classical collaborative filtering, matrix factorization, and interaction-only graph neural network baselines. It improves Recall@20 by 52.0% and NDCG@20 by 64.8% over LightGCN while performing on par with the strongest contrastive baseline, Self-supervised Graph Learning (SGL), which is also affected by the cold-start problem. An ablation study reveals that the cross-view contrastive alignment (CA) is the primary driver of these gains, with the best performance achieved when all three graphs are combined. Our results suggest that externally grounded, LLM-derived item knowledge can effectively compensate for missing collaborative signal and mitigate the item cold-start problem in POI recommendation.
• Abstract（参考訳）: グラフニューラルネットワークに基づくPOI(Point-of-interest)レコメンデーションモデルは、ユーザとイテムのインタラクションに対して協調的なシグナルを伝達することで、強力なパフォーマンスを達成するが、インタラクションの少ない項目が表現されないコールドスタート問題に対処する。 本稿では LLM-augmented Multi-Graph Contrastive Learning (LLM-MGCL, LLM-augmented Multi-Graph Contrastive Learning) を提案する。 アイテムの埋め込みは、3つのグラフ全てに並列に伝播し、付加的に融合し、同じ項目の振る舞い、意味、空間表現を接続する双方向InfoNCEコントラスト目的を通してビューを並べる。 Yelp Multimodal Recommendation Datasetの実験によると、LLM-MGCLは古典的な協調フィルタリング、行列分解、相互作用のみのグラフニューラルネットワークベースラインよりも優れている。 Recall@20を52.0%改善し、NDCG@20を64.8%改善し、最強のコントラストベースラインであるSelf-supervised Graph Learning (SGL)と同等のパフォーマンスを実現した。 アブレーション研究では、クロスビューコントラッシブアライメント(CA)がこれらの利得の第一の要因であり、3つのグラフを全て組み合わせた場合に最高のパフォーマンスが達成されることが示されている。 以上の結果から,LLM由来の外部知識は協調的信号の欠如を効果的に補うことができ,POI推奨項目のコールドスタート問題を緩和できる可能性が示唆された。

関連論文リスト

• Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference [7.817259532290553]
  大規模言語モデル(LLM)は、テキストリッチなグラフ機械学習タスクにますます利用されている。 関心の高まりにもかかわらず、この分野はグラフデータとの相互作用におけるLLMの能力の原則的な理解を欠いている。
  論文  参考訳（メタデータ） (2025-09-23T00:46:21Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Unveiling Contrastive Learning's Capability of Neighborhood Aggregation for Collaborative Filtering [16.02820746003461]
  グラフコントラスト学習(GCL)は、リコメンデータシステムにおいて、徐々に支配的なアプローチになりつつある。 本稿では,CL目標の勾配降下過程がグラフ畳み込みと正式に等価であることを明らかにする。 そこで本稿では,ユーザを他のポジティブなペアから遠ざけながら,対話するすべてのアイテムに近づけるための,新しいエリアアグリゲーションの目標を提案する。
  論文  参考訳（メタデータ） (2025-04-14T11:22:41Z)
• Lost-in-Distance: Impact of Contextual Proximity on LLM Performance in Graph Tasks [10.899834454573215]
  大規模言語モデルでは,意味のある文脈データを効率的に取得・処理する能力に障害のある盲点が示される。 本研究では, 損失-in-distance現象の定式化を提案し, 損失-in-distance現象と損失-in-the middle現象が独立に発生することを示す。
  論文  参考訳（メタデータ） (2024-10-02T19:45:19Z)
• Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation [2.9449497738046078]
  グラフニューラルネットワーク(GNN)は、推薦システムのための強力な学習方法である。 近年,コントラスト学習とGNNの統合は,レコメンデータシステムにおいて顕著な性能を示している。 本研究は,LFA-GCLと呼ばれる潜在因子分析(LFA)強化GCLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-09T03:24:48Z)
• L^2CL: Embarrassingly Simple Layer-to-Layer Contrastive Learning for Graph Collaborative Filtering [33.165094795515785]
  グラフニューラルネットワーク(GNN)は、最近、協調フィルタリングにおいて近隣の信号をモデル化するための効果的なアプローチとして登場した。 L2CLは、異なるレイヤの表現を対比する、原則的なレイヤ間コントラスト学習フレームワークである。 その結果,L2CLは,一対一のコントラスト学習パラダイムのみを用いて,固有の意味構造をキャプチャし,ノード表現の質を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-07-19T12:45:21Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Self-supervised Graph Learning for Recommendation [69.98671289138694]
  ユーザ・イテムグラフを用いた自己教師型学習を推奨する。 補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-21T06:35:26Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。