論文の概要: Modeling Preference Dependencies with Directed Acyclic Graphs for Narrative-Driven Recommendation
- arxiv url: http://arxiv.org/abs/2610.37280v1
- Date: Tue, 27 Oct 2026 14:08:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.651694
- Title: Modeling Preference Dependencies with Directed Acyclic Graphs for Narrative-Driven Recommendation
- Title（参考訳）: 物語駆動レコメンデーションのための非循環グラフを用いた予測依存性のモデル化
- Abstract要約: 本稿では,明示的な嗜好依存に着目した物語駆動型推薦フレームワークを提案する。
PDG-Fは競争ベースラインよりも優れたレコメンデーション性能を達成する。
- 参考スコア（独自算出の注目度）: 13.920747546938372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Narrative-driven recommendation allows users to express multifaceted needs through free-form text where stated preferences naturally qualify and condition one another. Existing methods typically treat narratives as flat keyword combinations or unconstrained generative queries, failing to capture how complex preferences hierarchically refine and contextualize each other. We propose the Preference Dependency Graph Framework (PDG-F), a narrative-driven recommendation framework centered on explicit preference dependencies. Specifically, PDG-A (PDG-Agent) first parses unstructured requests to organize user preferences and their mutual qualifications into a directed acyclic Preference Dependency Graph (PDG). Through this graph, candidate evidence from the open Web is acquired via directed path retrieval, and final recommendations are determined by topological path ranking. Comprehensive experiments across three diverse domains spanning English and Chinese contexts confirm that PDG-F consistently achieves superior recommendation performance over competitive baselines, open-domain retrieval agents, and frontier language models. Further diagnostic analyses show that our dependency-guided retrieval markedly raises the attainable candidate-pool ceiling, demonstrating the fundamental value of modeling preference dependencies in narrative-driven recommendation.
- Abstract（参考訳）: ナラティブ駆動のレコメンデーションにより、ユーザーは、記載された好みが互いに適格で条件が合う自由形式のテキストを通じて、多面的ニーズを表現できる。
既存の手法では、物語をフラットなキーワードの組み合わせや制約のない生成的クエリとして扱うが、複雑な好みが階層的に洗練され、相互に文脈化される様子を捉えない。
本稿では,明示的な嗜好依存に着目した物語駆動推薦フレームワークであるPreference Dependency Graph Framework (PDG-F)を提案する。
具体的には、PDG-A(PDG-Agent)がまず非構造化要求を解析し、ユーザの嗜好とそれらの相互資格を有向非循環的嗜好依存グラフ(PDG)に分類する。
このグラフを通じて、オープンWebから候補エビデンスを取得し、トポロジカルパスランキングにより最終レコメンデーションを決定する。
英語と中国語の文脈にまたがる3つの異なる領域にわたる総合的な実験により、PDG-Fは競争ベースライン、オープンドメイン検索エージェント、フロンティア言語モデルよりも優れたレコメンデーション性能を一貫して達成していることを確認した。
さらなる診断分析により、我々の依存誘導検索は達成可能な候補プール天井を著しく上昇させ、物語駆動の推薦におけるモデリング優先の基本的な価値を示す。
関連論文リスト
- Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs [26.15748750918571]
スレートレコメンデーションは、個別のアイテムではなくスレートをレコメンデーションユニットとして扱う。
順序付きスレートを直接生成するエンドツーエンドフレームワークであるOGRを提案する。
論文 参考訳（メタデータ） (2026-08-18T10:24:09Z) - GARDRec: Decision-Level Graph Grounding for Large Language Model Recommendation [19.913416708367503]
グラフグラウンド適応推論および決定対応推薦フレームワークであるemphGARDRecを提案する。
GARDRecは、テキストノードの特徴とグラフの伝搬から意味-構造的項目表現を構築する。
実験により、GARDRecは一般的に代表ベースラインよりも候補レベルのパフォーマンスを改善することが示された。
論文 参考訳（メタデータ） (2026-08-01T13:44:04Z) - Generative Conversational Recommender System [32.13241752028528]
本稿では,単一の自己回帰フレームワーク内でのレコメンデーションとダイアログ生成を統一する,完全生成型対話レコメンデーションシステムを提案する。
我々のメソッドはリコメンデーション性能を継続的に改善し、強力なベースライン上でRecall@1で最大29%のゲインを達成する。
論文 参考訳（メタデータ） (2026-05-21T04:36:37Z) - RRCM: Ranking-Driven Retrieval over Collaborative and Meta Memories for LLM Recommendation [14.301653810918713]
大規模言語モデル(LLM)は、次世代のレコメンデーションシステムにとって有望なパラダイムとして登場した。
LLMに基づくエージェントレコメンデーションのためのランキング駆動型検索・推論フレームワークRRCMを提案する。
論文 参考訳（メタデータ） (2026-05-08T02:07:30Z) - How Sampling Shapes LLM Alignment: From One-Shot Optima to Iterative Dynamics [65.67654005892469]
適切なインスタンス依存サンプリングは、より強力なランキング保証を得られる一方で、スキュードオン政治サンプリングは、構造化された嗜好の下で過剰な濃度を誘導できることを示す。
次に、学習したポリシーが将来のサンプリングおよび参照ポリシーにフィードバックする反復的なアライメントダイナミクスを分析する。
我々の理論的な洞察は直接選好最適化にまで拡張され、我々が捉えた現象はより広範な選好アライメント手法に共通していることを示している。
論文 参考訳（メタデータ） (2026-02-12T17:11:08Z) - Generative Reasoning Recommendation via LLMs [48.45009951684554]
大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。
本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。
本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
論文 参考訳（メタデータ） (2025-10-23T17:59:31Z) - Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。
提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
論文 参考訳（メタデータ） (2025-10-19T16:46:11Z) - What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。
これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。
タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
論文 参考訳（メタデータ） (2025-06-02T21:09:29Z) - 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) - 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)
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。