論文の概要: Reformulating Sequential Recommendation: Learning Dynamic User Interest
with Content-enriched Language Modeling
- arxiv url: http://arxiv.org/abs/2309.10435v2
- Date: Sat, 9 Mar 2024 04:04:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 16:18:23.337282
- Title: Reformulating Sequential Recommendation: Learning Dynamic User Interest
with Content-enriched Language Modeling
- Title(参考訳): シークエンシャルレコメンデーションの改革:コンテンツ強化言語モデリングによる動的ユーザ関心の学習
- Authors: Junzhe Jiang, Shang Qu, Mingyue Cheng, Qi Liu
- Abstract要約: 本稿では、事前学習した言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成するLANCERを提案する。
我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間的なレコメンデーションを生み出します。
- 参考スコア(独自算出の注目度): 6.52491975632466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems are essential for online applications, and sequential
recommendation has enjoyed significant prevalence due to its expressive ability
to capture dynamic user interests. However, previous sequential modeling
methods still have limitations in capturing contextual information. The primary
reason for this issue is that language models often lack an understanding of
domain-specific knowledge and item-related textual content. To address this
issue, we adopt a new sequential recommendation paradigm and propose LANCER,
which leverages the semantic understanding capabilities of pre-trained language
models to generate personalized recommendations. Our approach bridges the gap
between language models and recommender systems, resulting in more human-like
recommendations. We demonstrate the effectiveness of our approach through
experiments on several benchmark datasets, showing promising results and
providing valuable insights into the influence of our model on sequential
recommendation tasks. Furthermore, our experimental codes are publicly
available.
- Abstract(参考訳): オンラインアプリケーションにはレコメンダシステムが不可欠であり、動的ユーザの興味を捉えた表現力によって、シーケンシャルなレコメンデーションが顕著に普及している。
しかし、従来の逐次モデリング手法には、文脈情報の取得に制限がある。
この問題の主な理由は、言語モデルがしばしばドメイン固有の知識とアイテムに関連したテキストコンテンツの理解を欠いているためである。
この問題に対処するために,新しい逐次レコメンデーションパラダイムを採用し,学習済み言語モデルのセマンティクス理解機能を活用し,パーソナライズドレコメンデーションを生成するlancerを提案する。
我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間らしいレコメンデーションをもたらす。
本手法は,いくつかのベンチマークデータセット上で実験を行い,有望な結果を示し,逐次レコメンデーションタスクに対するモデルの影響に関する貴重な知見を提供する。
さらに,実験コードも公開されている。
関連論文リスト
- Exploring the Impact of Large Language Models on Recommender Systems: An
Extensive Review [3.0374530448935113]
本稿では,リフォームレコメンダシステムにおける大規模言語モデルの重要性について述べる。
LLMは、言葉の複雑な解釈において、その適応性を示す、アイテムを推薦するのに非常に熟練している。
トランスフォーメーションの可能性にもかかわらず、入力プロンプトに対する感受性、時には誤解釈、予期せぬ推奨など、課題は続いている。
論文 参考訳(メタデータ) (2024-02-11T00:24:17Z) - RecExplainer: Aligning Large Language Models for Recommendation Model
Interpretability [53.76682562935373]
本稿では,大規模言語モデルを代理モデルとして用いて,推薦システムに対する新しいモデル解釈手法を提案する。
具体的には,行動アライメント,意図アライメント,ハイブリッドアライメントという3つのアライメント手法を導入する。
提案手法により,LLMはレコメンデーションモデルのパターンを理解し,信頼性の高いレコメンデーション説明を生成することができる。
論文 参考訳(メタデータ) (2023-11-18T03:05:43Z) - Large Language Models as Zero-Shot Conversational Recommenders [52.57230221644014]
ゼロショット設定における代表的大言語モデルを用いた会話推薦タスクに関する実証的研究を行った。
我々は、人気のあるディスカッションサイトをスクラップして、レコメンデーション関連の会話のデータセットを構築した。
我々は、微調整なしでも、大規模な言語モデルは既存の微調整された会話レコメンデーションモデルより優れていることを観察する。
論文 参考訳(メタデータ) (2023-08-19T15:29:45Z) - Exploring Large Language Model for Graph Data Understanding in Online
Job Recommendations [63.19448893196642]
本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。
この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
論文 参考訳(メタデータ) (2023-07-10T11:29:41Z) - Recommendation as Instruction Following: A Large Language Model
Empowered Recommendation Approach [83.62750225073341]
我々は、大規模言語モデル(LLM)による指示としてレコメンデーションを考える。
まず、ユーザの好み、意図、タスクフォーム、コンテキストを自然言語で記述するための一般的な命令形式を設計する。
そして、39の命令テンプレートを手動で設計し、大量のユーザ個人化された命令データを自動的に生成する。
論文 参考訳(メタデータ) (2023-05-11T17:39:07Z) - Chain of Hindsight Aligns Language Models with Feedback [62.68665658130472]
我々は,その極性に関係なく,任意の形式のフィードバックから学習し,最適化が容易な新しい手法であるChain of Hindsightを提案する。
我々は、あらゆる種類のフィードバックを文のシーケンスに変換し、それをモデルを微調整するために使用する。
そうすることで、モデルはフィードバックに基づいて出力を生成するように訓練され、負の属性やエラーを特定し修正する。
論文 参考訳(メタデータ) (2023-02-06T10:28:16Z) - Improving Conversational Recommender System via Contextual and
Time-Aware Modeling with Less Domain-Specific Knowledge [25.503407835218773]
文脈から内部知識を完全に発見・抽出することを提案する。
エンティティレベルとコンテキストレベルの両方の表現をキャプチャして、リコメンデーションのためのユーザの好みを共同でモデル化する。
我々のモデルは、外部知識の少ないほとんどの評価指標においてより良い性能を達成し、他の領域によく一般化する。
論文 参考訳(メタデータ) (2022-09-23T03:30:22Z) - Feature Interaction Interpretability: A Case for Explaining
Ad-Recommendation Systems via Neural Interaction Detection [14.37985060340549]
ブラックボックスレコメンデータシステムの予測を解釈・拡張する手法を提案する。
また,レコメンデータシステムの構造を仮定しないので,一般的な設定で利用することができる。
論文 参考訳(メタデータ) (2020-06-19T05:14:34Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳(メタデータ) (2020-05-21T12:28:59Z)
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。