論文の概要: Large Language Model Simulator for Cold-Start Recommendation

• arxiv url: http://arxiv.org/abs/2402.09176v2
• Date: Wed, 25 Dec 2024 12:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:20:56.672762
• Title: Large Language Model Simulator for Cold-Start Recommendation
• Title（参考訳）: コールドスタートレコメンデーションのための大規模言語モデルシミュレータ
• Authors: Feiran Huang, Yuanchen Bei, Zhenghang Yang, Junyi Jiang, Hao Chen, Qijie Shen, Senzhang Wang, Fakhri Karray, Philip S. Yu,
• Abstract要約: コールドアイテムはコンテンツ機能のみに依存し、レコメンデーションパフォーマンスを制限し、ユーザーエクスペリエンスと収益に影響を与える。 現在のモデルは、コンテンツ機能から合成行動埋め込みを生成するが、主要な問題、すなわち過去の行動データがないことに対処できない。 寒冷品のユーザインタラクションをシミュレートするために,大規模言語モデルを活用する LLM Simulator フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 45.34030399042562
• License:
• Abstract: Recommending cold items remains a significant challenge in billion-scale online recommendation systems. While warm items benefit from historical user behaviors, cold items rely solely on content features, limiting their recommendation performance and impacting user experience and revenue. Current models generate synthetic behavioral embeddings from content features but fail to address the core issue: the absence of historical behavior data. To tackle this, we introduce the LLM Simulator framework, which leverages large language models to simulate user interactions for cold items, fundamentally addressing the cold-start problem. However, simply using LLM to traverse all users can introduce significant complexity in billion-scale systems. To manage the computational complexity, we propose a coupled funnel ColdLLM framework for online recommendation. ColdLLM efficiently reduces the number of candidate users from billions to hundreds using a trained coupled filter, allowing the LLM to operate efficiently and effectively on the filtered set. Extensive experiments show that ColdLLM significantly surpasses baselines in cold-start recommendations, including Recall and NDCG metrics. A two-week A/B test also validates that ColdLLM can effectively increase the cold-start period GMV.
• Abstract（参考訳）: 何十億ものオンラインレコメンデーションシステムにおいて、冷蔵品のリコメンデーションは依然として重要な課題である。 温かいアイテムは歴史的なユーザー行動の恩恵を受ける一方、冷たいアイテムはコンテンツ機能にのみ依存し、推奨パフォーマンスを制限し、ユーザー体験と収益に影響を与える。 現在のモデルは、コンテンツ機能から合成行動埋め込みを生成するが、主要な問題、すなわち過去の行動データがないことに対処できない。 そこで本研究では,寒冷品のユーザインタラクションをシミュレーションするために,大規模言語モデルを活用するLLM Simulatorフレームワークを提案する。 しかし、単にLLMを使ってすべてのユーザが10億規模のシステムに多大な複雑性を導入することができる。 計算複雑性を管理するために,オンラインレコメンデーションのための結合型ファンネルColdLLMフレームワークを提案する。 ColdLLMは、トレーニングされた結合フィルタを用いて、数十億から数百の候補ユーザを効率的に削減し、LLMがフィルタセット上で効率的に効率的に動作できるようにする。 大規模な実験によると、コールドLLMはリコールやNDCGメトリクスなど、コールドスタート推奨のベースラインをはるかに上回っている。 2週間のA/Bテストでは、コールドLLMがコールドスタート期間のGMVを効果的に増加させることができることも確認されている。

関連論文リスト

• Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning [14.83192161148111]
  本稿では,アイテムコールドスタート問題に対処するために,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。 これらのタスク修正設計により、オフラインメソッドと比較して計算とストレージコストが大幅に削減される。
  論文  参考訳（メタデータ） (2024-11-18T01:30:34Z)
• Graph Neural Patching for Cold-Start Recommendations [16.08395433358279]
  コールドスタートレコメンデーション(GNP)のためのグラフニューラルパッチについて紹介する。 GNPは2つの機能を持つカスタマイズされたGNNフレームワークである。GWarmerは、既存の温かいユーザ/イベントの協調シグナルをモデリングし、Patching Networksは、GWarmerのコールドスタートレコメンデーションのパフォーマンスをシミュレートし、拡張する。 3つのベンチマークデータセットに対する大規模な実験は、温かみと寒さの両方のユーザ/イテムを推奨するGNPの優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-18T07:44:12Z)
• Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations [5.374800961359305]
  コールドスタートユーザレストランレコメンデーションの問題に対処するフレームワークであるKALM4Recを紹介する。 KALM4Recは、候補検索とLLMベースの候補の再ランクの2つの主要な段階で動作する。 Yelpのレストランデータセットを用いて、英語圏の3都市からのユーザレビューを行い、提案したフレームワークが推奨品質を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-05-30T02:00:03Z)
• CoLLM: Integrating Collaborative Embeddings into Large Language Models for Recommendation [60.2700801392527]
  我々は,協調情報をLLMにシームレスに組み込んでレコメンデーションを行う,革新的なLLMRec手法であるCoLLMを紹介する。 CoLLMは、外部の伝統的なモデルを通して協調情報をキャプチャし、LLMの入力トークン埋め込み空間にマッピングする。 大規模な実験により、CoLLMはLLMに協調情報を包括的に統合し、レコメンデーション性能が向上することが確認された。
  論文  参考訳（メタデータ） (2023-10-30T12:25:00Z)
• ColdNAS: Search to Modulate for User Cold-Start Recommendation [59.06457942204116]
  ユーザによるコールドスタート問題に対するColdNASと呼ばれる変調フレームワークを提案する。 ニューラルアーキテクチャサーチにより,機能や位置を含む適切な変調構造を探索する。 異なる変調関数が、異なるデータセット上で最高のパフォーマンスをもたらすことを観察する。
  論文  参考訳（メタデータ） (2023-06-06T04:04:12Z)
• GPatch: Patching Graph Neural Networks for Cold-Start Recommendations [20.326139541161194]
  コールドスタートはレコメンデータシステムにおいて不可欠で永続的な問題です。 最先端のソリューションは、コールドスタートと既存のユーザ/イテムの両方のためのハイブリッドモデルのトレーニングに依存しています。 本稿では,2つの別個のコンポーネントを含むGNNベースのフレームワーク(GPatch)を提案する。
  論文  参考訳（メタデータ） (2022-09-25T13:16:39Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。