Breaking the Barrier: Utilizing Large Language Models for Industrial Recommendation Systems through an Inferential Knowledge Graph

要約

レコメンデーション システムは、情報過多に対処するために、電子商取引 Web サイトやオンライン プラットフォームで広く使用されています。
ただし、既存のシステムは主に履歴データとユーザーのフィードバックに依存しているため、ユーザーの意図の変化を捉えることが困難です。
最近、専門知識を組み込むナレッジベース（KB）ベースのモデルが提案されていますが、新しいアイテムや進化する電子商取引環境に適応するのは困難です。
これらの課題に対処するために、私たちは新しい大規模言語モデル ベースの補完知識強化推奨システム (LLM-KERec) を提案します。
アイテムおよびユーザー情報から統一概念用語を抽出するエンティティ抽出機能が導入されています。
費用対効果が高く信頼性の高い事前知識を提供するために、エンティティの人気と特定の戦略に基づいてエンティティのペアが生成されます。
大規模言語モデルは、各エンティティ ペアの相補的な関係を決定し、相補的な知識グラフを構築します。
さらに、新しい相補的リコール モジュールとエンティティ-エンティティ-アイテム (E-E-I) 重み決定モデルは、実際の相補的な露出-クリック サンプルを使用してランキング モデルのスコアを改良します。
3 つの業界データセットに対して行われた広範な実験により、既存のアプローチと比較してモデルのパフォーマンスが大幅に向上していることが実証されました。
さらに、詳細な分析により、LLM-KERec は補完的なアイテムを推奨することでユーザーの消費意欲を高めることが示されています。
要約すると、LLM-KERec は、補完的な知識を組み込み、大規模な言語モデルを利用して、ユーザーの意図の遷移を捕捉し、新しいアイテムに適応し、進化する電子商取引環境におけるレコメンデーションの効率を高めることで、従来のレコメンデーション システムの限界に対処します。

要約(オリジナル)

Recommendation systems are widely used in e-commerce websites and online platforms to address information overload. However, existing systems primarily rely on historical data and user feedback, making it difficult to capture user intent transitions. Recently, Knowledge Base (KB)-based models are proposed to incorporate expert knowledge, but it struggle to adapt to new items and the evolving e-commerce environment. To address these challenges, we propose a novel Large Language Model based Complementary Knowledge Enhanced Recommendation System (LLM-KERec). It introduces an entity extractor that extracts unified concept terms from item and user information. To provide cost-effective and reliable prior knowledge, entity pairs are generated based on entity popularity and specific strategies. The large language model determines complementary relationships in each entity pair, constructing a complementary knowledge graph. Furthermore, a new complementary recall module and an Entity-Entity-Item (E-E-I) weight decision model refine the scoring of the ranking model using real complementary exposure-click samples. Extensive experiments conducted on three industry datasets demonstrate the significant performance improvement of our model compared to existing approaches. Additionally, detailed analysis shows that LLM-KERec enhances users’ enthusiasm for consumption by recommending complementary items. In summary, LLM-KERec addresses the limitations of traditional recommendation systems by incorporating complementary knowledge and utilizing a large language model to capture user intent transitions, adapt to new items, and enhance recommendation efficiency in the evolving e-commerce landscape.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google