論文の概要: UCEpic: Unifying Aspect Planning and Lexical Constraints for Explainable
Recommendation
- arxiv url: http://arxiv.org/abs/2209.13885v1
- Date: Wed, 28 Sep 2022 07:33:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 16:04:19.892863
- Title: UCEpic: Unifying Aspect Planning and Lexical Constraints for Explainable
Recommendation
- Title(参考訳): UCEpic:説明可能な勧告のためのアスペクト計画と語彙制約の統合
- Authors: Jiacheng Li, Zhankui He, Jingbo Shang, Julian McAuley
- Abstract要約: UCEpicは、パーソナライズ可能なパーソナライズされた生成のためのアスペクト計画と語彙制約を統合する説明生成モデルである。
RateBeerとYelpの実験では、UCEpicはレコメンデーションのために高品質で多様な説明を生成することができる。
- 参考スコア(独自算出の注目度): 26.307290414735643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized natural language generation for explainable recommendations
plays a key role in justifying why a recommendation might match a user's
interests. Existing models usually control the generation process by soft
constraints (e.g.,~aspect planning). While promising, these methods struggle to
generate specific information correctly, which prevents generated explanations
from being informative and diverse. In this paper, we propose UCEpic, an
explanation generation model that unifies aspect planning and lexical
constraints for controllable personalized generation. Specifically, we first
pre-train a non-personalized text generator by our proposed robust insertion
process so that the model is able to generate sentences containing lexical
constraints. Then, we demonstrate the method of incorporating aspect planning
and personalized references into the insertion process to obtain personalized
explanations. Compared to previous work controlled by soft constraints, UCEpic
incorporates specific information from keyphrases and then largely improves the
diversity and informativeness of generated explanations. Extensive experiments
on RateBeer and Yelp show that UCEpic can generate high-quality and diverse
explanations for recommendations.
- Abstract(参考訳): 説明可能なレコメンデーションのためのパーソナライズされた自然言語生成は、レコメンデーションがユーザーの興味にマッチする理由を正当化する上で重要な役割を果たす。
既存のモデルは通常、ソフト制約(例えば、アスペクト計画)によって生成プロセスを制御する。
有望な一方で、これらの手法は特定の情報を正しく生成するのに苦労し、生成した説明が情報的かつ多様であることを防ぐ。
本稿では,制御可能なパーソナライズ生成のためのアスペクト計画と語彙制約を統一した説明生成モデルであるUCEpicを提案する。
具体的には,提案する頑健な挿入処理により,まず非個人化テキスト生成器を事前学習し,語彙制約を含む文を生成できるようにする。
次に、アスペクト計画とパーソナライズされた参照を挿入プロセスに組み込んでパーソナライズされた説明を得る方法を示す。
ソフト制約によって制御された以前の研究と比較して、UCEpicはキーフレーズからの特定の情報を取り入れ、生成した説明の多様性と情報性を大幅に改善する。
RateBeerとYelpの大規模な実験によると、UCEpicは高品質で多様な説明をレコメンデーションのために生成できる。
関連論文リスト
- End-to-End Learnable Item Tokenization for Generative Recommendation [51.82768744368208]
本稿では,アイテムのトークン化と生成レコメンデーションをシームレスに統合した,新しいエンドツーエンド生成レコメンダであるETEGRecを提案する。
本フレームワークは、アイテムトークン化器と生成レコメンデータで構成されるデュアルエンコーダデコーダアーキテクチャに基づいて開発されている。
論文 参考訳(メタデータ) (2024-09-09T12:11:53Z) - Learnable Item Tokenization for Generative Recommendation [78.30417863309061]
LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。
LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
論文 参考訳(メタデータ) (2024-05-12T15:49:38Z) - Linear Alignment: A Closed-form Solution for Aligning Human Preferences without Tuning and Feedback [70.32795295142648]
リニアアライメントは、言語モデルと人間の好みを1つの推論ステップで整列する新しいアルゴリズムである。
一般的な選好データセットとパーソナライズされた選好データセットの実験により、線形アライメントはLLMアライメントの性能と効率を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2024-01-21T10:46:23Z) - Logic-Scaffolding: Personalized Aspect-Instructed Recommendation
Explanation Generation using LLMs [20.446594942586604]
我々は、アスペクトベースの説明とチェーン・オブ・思想のアイデアを組み合わせて、中間的推論ステップを通じて説明を生成するLogic-Scaffoldingというフレームワークを提案する。
本稿では,フレームワーク構築の経験を共有し,その結果を探索するためのインタラクティブなデモンストレーションを行う。
論文 参考訳(メタデータ) (2023-12-22T00:30:10Z) - Toward Unified Controllable Text Generation via Regular Expression
Instruction [56.68753672187368]
本稿では,正規表現の利点をフル活用し,多様な制約を一様にモデル化する命令ベース機構を用いた正規表現指導(REI)を提案する。
提案手法では,中規模言語モデルの微調整や,大規模言語モデルでの少数ショット・インコンテクスト学習のみを要し,各種制約の組み合わせに適用した場合のさらなる調整は不要である。
論文 参考訳(メタデータ) (2023-09-19T09:05:14Z) - Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。
個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。
3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-05-09T10:38:36Z) - Graph-based Extractive Explainer for Recommendations [38.278148661173525]
ユーザ,項目,属性,文をシームレスに統合し,抽出に基づく説明を行うグラフ注意型ニューラルネットワークモデルを開発した。
個々の文の関連性, 属性カバレッジ, 内容冗長性のバランスをとるために, 整数線形プログラミング問題を解くことにより, 文の最終的な選択を行う。
論文 参考訳(メタデータ) (2022-02-20T04:56:10Z) - Hierarchical Aspect-guided Explanation Generation for Explainable
Recommendation [37.36148651206039]
階層的アスペクト誘導説明生成(HAG)という新しい説明生成フレームワークを提案する。
アスペクト誘導グラフプーリング演算子は、アスペクト関連情報をレビューベースの構文グラフから抽出するために提案される。
そして、アテンション機構に基づいてアスペクトおよびアスペクト関連説明を生成する階層的説明デコーダを開発する。
論文 参考訳(メタデータ) (2021-10-20T03:28:58Z) - Controllable Summarization with Constrained Markov Decision Process [50.04321779376415]
本研究では,ユーザが特定の属性を制御できる可制御テキスト要約について検討する。
制約付きマルコフ決定プロセス(CMDP)に基づく新しいトレーニングフレームワークを提案する。
我々のフレームワークは、長さ、被覆された実体、抽象性など、要約の重要な属性を制御するために応用できる。
論文 参考訳(メタデータ) (2021-08-07T09:12:53Z) - Generate Natural Language Explanations for Recommendation [25.670144526037134]
パーソナライズドレコメンデーションのために,フリーテキストの自然言語説明を作成することを提案する。
特に,パーソナライズされた説明生成のための階層型シーケンス・ツー・シーケンスモデル(hss)を提案する。
論文 参考訳(メタデータ) (2021-01-09T17:00:41Z) - Improving Adversarial Text Generation by Modeling the Distant Future [155.83051741029732]
テキスト計画手法を考察し、上記の問題を緩和するためのモデルに基づく模倣学習手法を提案する。
本稿では,より長い地平線上の生成過程に焦点をあてる新しいガイドネットワークを提案する。
論文 参考訳(メタデータ) (2020-05-04T05:45:13Z)
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。