GraphRAGを用いたLLMによるパーソ ナライズド推薦の生成 ストックマーク株式会社 リサーチャ Naveed Afzal

2 アフザル ナヴィード Naveed Afzal 東京工業大学大学院 情報理工学系研究科 計算工学専攻 深層学習、グラフニューラルネットワーク、ネットワーク分析 （2015.10〜2017.09） 株式会社エーアイスクエア 技術開発エンジニア 対話行為分析、会話要約 （2017.10 〜 2022.04） ストックマーク株式会社 リサーチャ ナレッジグラグ作成、自動推薦システム （2022.05〜） 自己紹介

Anews Content Recommendation 3 Anewsプラットフォームは、ユーザー の興味に合わせたパーソナライズさ れたコンテンツフィードを提供します。 https://stockmark.co.jp/product/anews • 毎日、約10万件の新しい記事が配 信されています。 • その中から、各ユーザーに対して50 件の記事が推薦されます。 • B2B環境ではユーザー数が少ない ため、主にコンテンツベースの推薦 が行われています。

4 Issues: • クラスターの意味が広すぎる • 解釈が難しい。 • モデルの更新が必要。 ユーザーが関心を持った 記事に似た新しい記事を 推薦します。 トピッククラスタリングを 活用し、多様性を取り入 れたバランスの良いコン テンツを提供します。 Embedding Based Recommendation https://tech.stockmark.co.jp/blog/20210601_anews _recommendation/

5 文書間に意味のあるリンクを組み込み、追加のコンテキストを提供する強化版RAGです。 Source: GraphRAG: Design Patterns, Challenges, Recommendations https://gradientflow.com/graphrag-design-patterns-challenges-recommendations/ What is GraphRAG?

6 LLMを利用することで、オントロジー定義なしで知識グラフを生成することができます。 ノード類: • テキストチャンク • エンティティ エッジ類 • リレーション • メンション Document Knowledge Graph Generation

7 関心のある記事から 推薦記事へのエッジ の連なりを、関連性の 根拠として活用します。 知識グラフを活用することで、単なる類似検索にとどまらない 補完的な関連性を見出すことが可能です。 パスの優先基 • ユーザーの興味 • 新しさ • 関連性 .. など Knowledge Graph Based Recommendation

8 Recommendation Framework

9 Conclusions: • ナレッジグラフは、単なるベクトル検索とは異なる補完的な推薦手法を提供します。 • 解釈性が向上し、よりユーザーフレンドリーなアプローチとなっています。 • ユーザーの好みをより正確に反映するモデルを作れます。 Limitations: • ナレッジグラフの構築をスケールアップする際の課題があります。 • 大規模言語モデルにおけるハルシネーションの可能性。 • 複雑さが増すため、目的によっては標準のRAGで十分な場合もあります。 Takeaways

No content