論文の概要: Continual Graph Memory for Adaptive Recommendation under Intent Drift
- arxiv url: http://arxiv.org/abs/2609.04651v1
- Date: Fri, 04 Sep 2026 02:32:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.881297
- Title: Continual Graph Memory for Adaptive Recommendation under Intent Drift
- Title（参考訳）: 入射ドリフト下での適応的レコメンデーションのための連続グラフメモリ
- Abstract要約: 本稿では,意図的ドリフト下での適応的レコメンデーションについて検討し,各レコメンデーション結果からのフィードバックによって,ランク付けに使用される関係証拠が有用か,欠落か,誤解を招くかを明らかにする。
本稿では,適応型レコメンデーションのための連続グラフメモリフレームワークであるCGM-Recを提案する。
- 参考スコア（独自算出の注目度）: 7.140905344515738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies adaptive recommendation under intent drift, where feedback from each recommendation outcome can reveal whether the relational evidence used for ranking is useful, missing, or misleading. While Knowledge Graphs (KGs) provide essential semantic structure to handle these shifts, traditional KG-enhanced systems treat the graph as a static retrieval substrate, making it brittle to evolving intents, noisy metadata, and recurring failure patterns. This paper proposes CGM-Rec, a continual graph memory framework for adaptive recommendation. CGM-Rec treats the graph state as a writable memory and maintains two complementary components. Therein, a Semantic Graph Memory is updated conservatively through quality-gated typed operations for storing stable and high-confidence relational knowledge. Meanwhile, an Episodic Lesson Memory acts as a fast reactive memory that learns recent outcomes, failure cases, and corrective hints. During testing, model parameters remain frozen and adaptation occurs only through memory writes. We evaluate CGM-Rec under a frozen-parameter, one-pass reranking protocol, where encoders and prompts remain fixed during testing and adaptation occurs only through memory writes. Experiments across multiple recommendation settings show that CGM-Rec improves over evaluated neural and LLM-based baselines on most metrics. Particularly, under sampled-candidate reranking, CGM-Rec improves HR@1 by up to 29.58% over the strongest LLM baseline on Bundle, and outperforms K-RagRec on metadata-rich ML-100K with HR@5 of 0.5941 versus 0.4746.
- Abstract（参考訳）: 本稿では,意図的ドリフト下での適応的レコメンデーションについて検討し,各レコメンデーション結果からのフィードバックによって,ランク付けに使用される関係証拠が有用か,欠落か,誤解を招くかを明らかにする。
知識グラフ(KG)はこれらのシフトを処理するために不可欠なセマンティック構造を提供するが、従来のKG拡張システムはグラフを静的な検索基盤として扱い、進化する意図やノイズの多いメタデータ、繰り返し発生する障害パターンに対して脆弱である。
本稿では,適応型レコメンデーションのための連続グラフメモリフレームワークであるCGM-Recを提案する。
CGM-Recはグラフ状態を書き込み可能なメモリとして扱い、2つの補完的なコンポーネントを保持する。
これにより、セマンティックグラフメモリは、安定かつ高信頼なリレーショナル知識を格納するための品質保証型操作によって保守的に更新される。
一方、エピソードのレッスンメモリは、最近の結果、障害ケース、修正ヒントを学習する高速なリアクティブメモリとして機能する。
テスト中、モデルパラメータは凍結し続け、適応はメモリ書き込みによってのみ実行される。
CGM-Recは、テスト中にエンコーダとプロンプトが固定され、メモリ書き込みによってのみ適応される。
複数のレコメンデーション設定にわたる実験によると、CGM-Recは、ほとんどのメトリクスで評価されたニューラルおよびLLMベースのベースラインよりも改善されている。
特にサンプル候補の再評価では、CGM-RecはHR@1を最大29.58%改善し、メタデータに富んだML-100KではK-RagRecを0.5941対0.4746で上回る。
関連論文リスト
- Minimal Markovization via Stable Quotients in Holonomy-Cover Decision Processes [13.539613784615605]
可視的ダイナミクスがRLであり、実現された可視的遷移がすべて、固定的な置換を隠れモードに適用する構造化されたPOMDPクラスについて述べる。
我々は、現在の観測と安定クラスのペアが、完全に有限なマルコフ状態を形成することを証明している。
実験では、原状態から商状態への正確な圧縮を回復し、3つの決定時間メモリ状態で完全なペア順序精度を達成する。
論文 参考訳（メタデータ） (2026-07-29T17:03:35Z) - Beyond Memory Leaderboards: Evaluating Scientific Memory as Budgeted Context Restoration [0.05097809301149341]
我々は2つのフルテキスト科学メモリベンチマーク、Public AI Memory(PAIM)とPublic Transformers(PTr)を紹介する。
提案するセオリアを含む8つのメモリ/検索システムと,非検索ベースラインを評価した。
その結果,メモリリーダボードは完全なプロトコルなしでは解釈できないことがわかった。
論文 参考訳（メタデータ） (2026-07-18T15:09:58Z) - Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。
最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
論文 参考訳（メタデータ） (2026-05-14T20:15:22Z) - Agentic Recommender System with Hierarchical Belief-State Memory [29.122434746467544]
本稿では,部分的に観察可能な問題としてレコメンデーションを扱い,ノイズの多い行動観察をユーザ嗜好のコンパクトな推定に抽象化する構造化された信念状態を維持する枠組みを提案する。
イベントメモリは生の信号をバッファし、選好メモリは明示的な強度とエビデンス追跡を備えたきめ細かい変更可能なチャンクを維持し、プロファイルメモリは全ての選好を一貫性のある自然な物語に蒸留する。
実験の結果,MARSはHR@1では26.4%,NDCG@10では10.3%向上し,エージェントスケジューリングの進化によってさらに向上した。
論文 参考訳（メタデータ） (2026-05-14T05:38:24Z) - MemReranker: Reasoning-Aware Reranking for Agent Memory Retrieval [37.54115468116941]
本報告では,Qwen3-Reranker を用いた多段 LLM 知識蒸留によるリグレードモデルファミリ MemReranker (0.6B/4B) について紹介する。
メモリ検索ベンチマークでは、MemReranker-0.6BはBGE-Rerankerを大きく上回り、オープンソースの4B/8BモデルとGPT-4o-miniをキーメトリクスでマッチングする。
MemReranker-4B はさらに 0.737 MAP を達成し、Gemini-3-Flash と同等のメトリクスを持つ一方で、推論遅延を10-20%の大型モデルで維持している。
論文 参考訳（メタデータ） (2026-05-07T12:33:57Z) - A Parametric Memory Head for Continual Generative Retrieval [52.66674234249913]
生成情報検索(GenIR)は、検索を単一のニューラルモデルに統合し、クエリから直接ドキュメント識別子(ドシデント)をデコードする。
逐次適応は、新たに追加された文書の検索を改善するが、以前のスライスの性能は著しく低下することを示す。
本稿では,モジュール型パラメトリックメモリヘッドで適応モデルを拡張するメモリのみの安定化ステージである,後適応メモリチューニング(PAMT)を提案する。
論文 参考訳（メタデータ） (2026-04-25T17:38:51Z) - Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。
VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。
VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
論文 参考訳（メタデータ） (2026-03-18T01:25:08Z) - Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。
それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。
一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
論文 参考訳（メタデータ） (2026-03-10T06:31:44Z) - GAM-RAG: Gain-Adaptive Memory for Evolving Retrieval in Retrieval-Augmented Generation [16.737829113782126]
Retrieval-Augmented Generation (RAG) は、大規模な言語モデルに外部の証拠を付けているが、多くの実装では、構築後も静的なインデックスに依存している。
認知神経科学におけるスキーマに基づく学習をモチベーションとして,繰り返しクエリや関連するクエリから検索経験を蓄積する学習自由フレームワークであるGAM-RAGを提案する。
GAM-RAGは、リンクが固定的な意味関係ではなく、潜在的な共起をキャプチャする、軽量で無関係な階層インデックスを構築している。
論文 参考訳（メタデータ） (2026-03-02T12:09:17Z) - MALLOC: Benchmarking the Memory-aware Long Sequence Compression for Large Sequential Recommendation [84.53415999381203]
MALLOCは、メモリを意識したロングシーケンス圧縮のベンチマークである。
最先端のレコメンデータに統合され、再現性と評価のプラットフォームを可能にする。
論文 参考訳（メタデータ） (2026-01-28T04:11:50Z) - MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。
MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。
4つのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-01-13T18:51:16Z)
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。