Topic-Aware Knowledge Graph with Large Language Models for Interoperability in Recommender Systems

要約

推奨システムでの知識グラフの使用は、データのスパースとコールドスタートの問題に対処するための一般的なアプローチの1つになりました。
大規模な言語モデル（LLMS）の最近の進歩は、知識グラフ内の側面およびコンテキスト情報を処理するための新しい可能性を提供します。
ただし、ドメインの専門家の介入とシステム特性の違いが必要なため、さまざまなシステム間の一貫した統合は依然として困難です。
これらの問題に対処するために、LLMSを使用して、側面情報とコンテキスト情報の両方から一般的および特定のトピックの両方を抽出する一貫したアプローチを提案します。
まず、一般的なトピックが繰り返し抽出され、サイド情報から更新されます。
次に、コンテキスト情報を使用して特定のトピックが抽出されます。
最後に、特定のトピック抽出プロセス中に生成された同義語のトピックに対処するために、精製アルゴリズムがこれらの問題を効果的に処理および解決します。
このアプローチにより、一般的なトピックは多様なアイテムの特性にわたって幅広い知識をキャプチャすることができますが、特定のトピックは詳細な属性を強調し、アイテムのセマンティック機能とユーザーの好みをより包括的に理解することができます。
実験結果は、多様な知識グラフにわたる推奨パフォーマンスの大幅な改善を示しています。

要約(オリジナル)

The use of knowledge graphs in recommender systems has become one of the common approaches to addressing data sparsity and cold start problems. Recent advances in large language models (LLMs) offer new possibilities for processing side and context information within knowledge graphs. However, consistent integration across various systems remains challenging due to the need for domain expert intervention and differences in system characteristics. To address these issues, we propose a consistent approach that extracts both general and specific topics from both side and context information using LLMs. First, general topics are iteratively extracted and updated from side information. Then, specific topics are extracted using context information. Finally, to address synonymous topics generated during the specific topic extraction process, a refining algorithm processes and resolves these issues effectively. This approach allows general topics to capture broad knowledge across diverse item characteristics, while specific topics emphasize detailed attributes, providing a more comprehensive understanding of the semantic features of items and the preferences of users. Experimental results demonstrate significant improvements in recommendation performance across diverse knowledge graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google