論文の概要: InteraRec: Interactive Recommendations Using Multimodal Large Language
Models
- arxiv url: http://arxiv.org/abs/2403.00822v1
- Date: Mon, 26 Feb 2024 17:47:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-10 23:49:32.587324
- Title: InteraRec: Interactive Recommendations Using Multimodal Large Language
Models
- Title(参考訳): InteraRec: マルチモーダル大言語モデルを用いた対話型レコメンデーション
- Authors: Saketh Reddy Karra, Theja Tulabandhula
- Abstract要約: 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。
このフレームワークは、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。
これらのスクリーンショットから、ユーザの行動概要を生成することによって、ユーザの好みに関する貴重な洞察を抽出する。
- 参考スコア(独自算出の注目度): 0.7784248206747153
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weblogs, comprised of records detailing user activities on any website, offer
valuable insights into user preferences, behavior, and interests. Numerous
recommendation algorithms, employing strategies such as collaborative
filtering, content-based filtering, and hybrid methods, leverage the data mined
through these weblogs to provide personalized recommendations to users. Despite
the abundance of information available in these weblogs, identifying and
extracting pertinent information and key features necessitates extensive
engineering endeavors. The intricate nature of the data also poses a challenge
for interpretation, especially for non-experts. In this study, we introduce a
sophisticated and interactive recommendation framework denoted as InteraRec,
which diverges from conventional approaches that exclusively depend on weblogs
for recommendation generation. This framework captures high-frequency
screenshots of web pages as users navigate through a website. Leveraging
state-of-the-art multimodal large language models (MLLMs), it extracts valuable
insights into user preferences from these screenshots by generating a user
behavioral summary based on predefined keywords. Subsequently, this summary is
utilized as input to an LLM-integrated optimization setup to generate tailored
recommendations. Through our experiments, we demonstrate the effectiveness of
InteraRec in providing users with valuable and personalized offerings.
- Abstract(参考訳): weblogsは、あらゆるwebサイト上のユーザーのアクティビティを詳述したレコードで構成されており、ユーザーの好み、行動、興味に関する貴重な洞察を提供する。
協調フィルタリング、コンテンツベースのフィルタリング、ハイブリッドメソッドといった戦略を駆使した多数のレコメンデーションアルゴリズムは、これらのWebログを通じて収集されたデータを活用して、ユーザにパーソナライズされたレコメンデーションを提供する。
これらのWebログに豊富な情報があるにもかかわらず、関連する情報と重要な特徴を特定し、抽出することは、広範なエンジニアリング努力を必要とする。
データの複雑な性質は、特に非専門家の解釈にも挑戦している。
本研究では,InteraRecと表記される高度で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,レコメンデーション生成にウェブログのみに依存する従来のアプローチから逸脱する。
このフレームワークは、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。
最先端のマルチモーダル大言語モデル(mllms)を活用して,事前定義されたキーワードに基づいたユーザ行動要約を生成することにより,これらのスクリーンショットからユーザの好みに対する貴重な洞察を抽出する。
その後、この要約をLLM統合最適化設定の入力として利用して、カスタマイズされたレコメンデーションを生成する。
実験を通じて,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。
関連論文リスト
- SPAR: Personalized Content-Based Recommendation via Long Engagement
Attention [44.47949145944619]
パーソナライズされたコンテンツのレコメンデーションには、ユーザの長いエンゲージメント履歴を活用することが不可欠だ。
本稿では,コンテンツベースのレコメンデーションフレームワークであるSPARを導入する。
我々のフレームワークは、既存の最先端(SoTA)メソッドよりも優れています。
論文 参考訳(メタデータ) (2024-02-16T10:36:38Z) - Knowledge-Augmented Large Language Models for Personalized Contextual
Query Suggestion [16.563311988191636]
我々は,Web上での検索と閲覧活動に基づいて,各ユーザを対象としたエンティティ中心の知識ストアを構築した。
この知識ストアは、公的な知識グラフ上の興味と知識のユーザ固有の集約予測のみを生成するため、軽量である。
論文 参考訳(メタデータ) (2023-11-10T01:18:47Z) - On Generative Agents in Recommendation [65.52796348055281]
Agent4RecはLarge Language Models (LLM)に基づく映画レコメンデーションシミュレータである。
ユーザプロファイル、メモリ、アクションモジュールを備えたLLMを内蔵した生成エージェントは、レコメンダシステムに特化している。
Agent4Recの評価では、エージェント間のアライメントと逸脱とユーザ個人化された好みの両方を強調している。
論文 参考訳(メタデータ) (2023-10-16T06:41:16Z) - Explainable Active Learning for Preference Elicitation [0.0]
我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。
ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。
ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
論文 参考訳(メタデータ) (2023-09-01T09:22:33Z) - AaKOS: Aspect-adaptive Knowledge-based Opinion Summarization [5.4138734778206]
インターネット上の情報の急速な増加は、様々な活動、製品、サービスに関する圧倒的な意見やコメントにつながっている。
これにより、ユーザが意思決定を行うときに利用可能なすべての情報を処理するのが難しく、時間がかかります。
本稿では,製品レビューのためのアスペクト適応型知識ベースオピニオン要約モデルを提案する。
論文 参考訳(メタデータ) (2023-05-26T03:44:35Z) - 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) - Diverse Preference Augmentation with Multiple Domains for Cold-start
Recommendations [92.47380209981348]
メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。
我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。
これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
論文 参考訳(メタデータ) (2022-04-01T10:10:50Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2021-10-08T09:44:00Z) - iFacetSum: Coreference-based Interactive Faceted Summarization for
Multi-Document Exploration [63.272359227081836]
iFacetSumは、インタラクティブな要約と顔検索を統合している。
微粒なファセットは、クロスドキュメントのコア参照パイプラインに基づいて自動的に生成される。
論文 参考訳(メタデータ) (2021-09-23T20:01:11Z) - 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。