論文の概要: Prompt Tuning Large Language Models on Personalized Aspect Extraction for Recommendations

• arxiv url: http://arxiv.org/abs/2306.01475v1
• Date: Fri, 2 Jun 2023 12:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 15:15:35.779636
• Title: Prompt Tuning Large Language Models on Personalized Aspect Extraction for Recommendations
• Title（参考訳）: 推薦のためのパーソナライズされたアスペクト抽出に基づく大規模言語モデルのプロンプトチューニング
• Authors: Pan Li, Yuyan Wang, Ed H. Chi and Minmin Chen
• Abstract要約: アスペクト抽出とアスペクトベースのレコメンデーションをエンドツーエンドで組み合わせることを提案する。 提案フレームワークは、パーソナライズされたアスペクト抽出とアスペクトベースのレコメンデーションタスクの両方において、最先端のベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 26.519571240032967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing aspect extraction methods mostly rely on explicit or ground truth aspect information, or using data mining or machine learning approaches to extract aspects from implicit user feedback such as user reviews. It however remains under-explored how the extracted aspects can help generate more meaningful recommendations to the users. Meanwhile, existing research on aspect-based recommendations often relies on separate aspect extraction models or assumes the aspects are given, without accounting for the fact the optimal set of aspects could be dependent on the recommendation task at hand. In this work, we propose to combine aspect extraction together with aspect-based recommendations in an end-to-end manner, achieving the two goals together in a single framework. For the aspect extraction component, we leverage the recent advances in large language models and design a new prompt learning mechanism to generate aspects for the end recommendation task. For the aspect-based recommendation component, the extracted aspects are concatenated with the usual user and item features used by the recommendation model. The recommendation task mediates the learning of the user embeddings and item embeddings, which are used as soft prompts to generate aspects. Therefore, the extracted aspects are personalized and contextualized by the recommendation task. We showcase the effectiveness of our proposed method through extensive experiments on three industrial datasets, where our proposed framework significantly outperforms state-of-the-art baselines in both the personalized aspect extraction and aspect-based recommendation tasks. In particular, we demonstrate that it is necessary and beneficial to combine the learning of aspect extraction and aspect-based recommendation together. We also conduct extensive ablation studies to understand the contribution of each design component in our framework.
• Abstract（参考訳）: 既存のアスペクト抽出方法は、主に明示的あるいは根拠的なアスペクト情報に依存するか、データマイニングや機械学習のアプローチを使用して、ユーザレビューのような暗黙のユーザフィードバックからアスペクトを抽出する。 しかし、抽出された側面がユーザにとってより意味のあるレコメンデーションを生み出すのにどのように役立つかは、まだ解明されていない。 一方、アスペクトベースのリコメンデーションに関する既存の研究は、しばしば別々のアスペクト抽出モデルに依存するか、あるいはアスペクトが与えられると仮定する。 本稿では,アスペクト抽出とアスペクトベースのレコメンデーションをエンドツーエンドで組み合わせ,一つのフレームワークで2つの目標を達成することを提案する。 アスペクト抽出コンポーネントについては,最近の大規模言語モデルの進歩を活かし,エンドレコメンデーションタスクのアスペクトを生成するための新しいプロンプト学習機構を設計する。 アスペクトベースのレコメンデーションコンポーネントでは、抽出されたアスペクトは、レコメンデーションモデルで使用される通常のユーザとアイテムの特徴と結合される。 レコメンデーションタスクは、アスペクトを生成するためのソフトプロンプトとして使用される、ユーザ埋め込みとアイテム埋め込みの学習を仲介する。 したがって、抽出されたアスペクトは、レコメンデーションタスクによってパーソナライズされ、コンテキスト化される。 提案手法の有効性を,3つの産業データセットを用いた広範囲な実験により明らかにし,提案手法はパーソナライズされたアスペクト抽出とアスペクトベースレコメンデーションタスクの両方において,最先端のベースラインを著しく上回っている。 特に,アスペクト抽出の学習とアスペクトベースレコメンデーションを組み合わせることは,必要かつ有益であることを実証する。 また,フレームワークにおける各設計要素の寄与を理解するために,広範なアブレーション研究も行います。

関連論文リスト

• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• InteraRec: Screenshot Based Recommendations Using Multimodal Large Language Models [0.6926105253992517]
  InteraRecと呼ばれる洗練されたインタラクティブなレコメンデーションフレームワークを紹介します。 InteraRecは、ユーザがWebサイトをナビゲートするときに、Webページの高周波スクリーンショットをキャプチャする。 ユーザに対して価値あるパーソナライズされたオファリングを提供する上で、InteraRecの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-26T17:47:57Z)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• 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)
• The Elements of Visual Art Recommendation: Learning Latent Semantic Representations of Paintings [7.79230326339002]
  アートワークのレコメンデーションは、ユーザが非常に主観的なコンテンツとどのように相互作用するかを理解する必要があるため、難しい。 本稿では、パーソナライズされたレコメンデーションのための視覚芸術の要素(すなわち潜在意味関係)を効率よく把握することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-02-28T18:17:36Z)
• Rating and aspect-based opinion graph embeddings for explainable recommendations [69.9674326582747]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpが6つのドメインで生成したグラフに対して、最先端のグラフ埋め込み技術を適用し、評価し、ベースラインレコメンデータを上回っます。
  論文  参考訳（メタデータ） (2021-07-07T14:07:07Z)
• Graphing else matters: exploiting aspect opinions and ratings in explainable graph-based recommendations [66.83527496838937]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpの6つのドメインのレビューから生成されたグラフに対して、最先端のグラフ埋め込み技術を適用して評価する。 提案手法は,推奨項目について利用者が提示したアスペクトベースの意見を活用した説明を提供することの利点がある。
  論文  参考訳（メタデータ） (2021-07-07T13:57:28Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Summarizing Text on Any Aspects: A Knowledge-Informed Weakly-Supervised Approach [89.56158561087209]
  文書に関連する任意の側面を要約する。 監視データがないため、我々は新しい弱い監督構築法とアスペクト・モデリング・スキームを開発した。 実験により,本手法は実文書と合成文書の両方を要約することで,性能の向上を図っている。
  論文  参考訳（メタデータ） (2020-10-14T03:20:46Z)
• Read what you need: Controllable Aspect-based Opinion Summarization of Tourist Reviews [23.7107052882747]
  オンライン観光レビューからパーソナライズされたアスペクトベースの意見要約を作成するためのソリューションの必要性と提案を議論する。 読者に、興味のある長さや特定の側面など、要約のいくつかの属性を決定し、制御させます。 具体的には、TripAdvisorに投稿された観光レビューからコヒーレントな側面を抽出するための教師なしアプローチを採っている。
  論文  参考訳（メタデータ） (2020-06-08T15:03:38Z)
• Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems [1.52292571922932]
  協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。 パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
  論文  参考訳（メタデータ） (2020-06-05T17:37:46Z)

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。