論文の概要: Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation

• arxiv url: http://arxiv.org/abs/2403.13574v2
• Date: Wed, 23 Jul 2025 13:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.632574
• Title: Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation
• Title（参考訳）: 共同ビデオとコメントレコメンデーションのための大規模言語モデルによるシーケンスレコメンデーションの強化
• Authors: Bowen Zheng, Zihan Lin, Enze Liu, Chen Yang, Enyang Bai, Cheng Ling, Wayne Xin Zhao, Ji-Rong Wen,
• Abstract要約: 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累積増加率は4.13%に達した。
• 参考スコア（独自算出の注目度）: 77.42486522565295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, reading or writing comments on captivating videos has emerged as a critical part of the viewing experience on online video platforms. However, existing recommender systems primarily focus on users' interaction behaviors with videos, neglecting comment content and interaction in user preference modeling. In this paper, we propose a novel recommendation approach called LSVCR that utilizes user interaction histories with both videos and comments to jointly perform personalized video and comment recommendation. Specifically, our approach comprises two key components: sequential recommendation (SR) model and supplemental large language model (LLM) recommender. The SR model functions as the primary recommendation backbone (retained in deployment) of our method for efficient user preference modeling. Concurrently, we employ a LLM as the supplemental recommender (discarded in deployment) to better capture underlying user preferences derived from heterogeneous interaction behaviors. In order to integrate the strengths of the SR model and the supplemental LLM recommender, we introduce a two-stage training paradigm. The first stage, personalized preference alignment, aims to align the preference representations from both components, thereby enhancing the semantics of the SR model. The second stage, recommendation-oriented fine-tuning, involves fine-tuning the alignment-enhanced SR model according to specific objectives. Extensive experiments in both video and comment recommendation tasks demonstrate the effectiveness of LSVCR. Moreover, online A/B testing on KuaiShou platform verifies the practical benefits of our approach. In particular, we attain a cumulative gain of 4.13% in comment watch time.
• Abstract（参考訳）: 最近では、ビデオの字幕化に関するコメントを読んだり書いたりすることが、オンラインビデオプラットフォームにおける視聴体験の重要な部分となっている。 しかし、既存のレコメンデータシステムは、主にビデオとのインタラクション行動、コメント内容の無視、ユーザの嗜好モデリングにおけるインタラクションに焦点を当てている。 本稿では,ビデオとコメントの両方とユーザインタラクション履歴を利用して,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。 具体的には、シーケンシャルレコメンデーション(SR)モデルと補足型大言語モデル(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。 SRモデルは,効率的なユーザ嗜好モデリングのために,本手法の主要な推奨バックボーンとして機能する。 同時に、ヘテロジニアスなインタラクションの振る舞いから派生したユーザ嗜好をよりよく捉えるために、LCMを補足レコメンデータとして(デプロイメントで捨てられた)使用します。 SRモデルと補足型LLMレコメンデータの長所を統合するために,2段階のトレーニングパラダイムを導入する。 第1段階(パーソナライズされた選好アライメント)は、両方のコンポーネントからの選好表現を調整し、SRモデルのセマンティクスを強化することを目的としている。 第2段階(レコメンデーション指向の微調整)では、特定の目的に応じてアライメント強化SRモデルを微調整する。 ビデオとコメントのレコメンデーションタスクにおける大規模な実験は、LSVCRの有効性を実証している。 さらに、KuaiShouプラットフォーム上でのオンラインA/Bテストは、我々のアプローチの実用的メリットを検証する。 特に、コメント視聴時間の累積増加率は4.13%に達した。

関連論文リスト

• End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
  グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-02T22:46:50Z)
• Enhancing Live Broadcast Engagement: A Multi-modal Approach to Short Video Recommendations Using MMGCN and User Preferences [0.0]
  本稿では,MMGCN(Multi-modal Graph Convolutional Networks)をユーザの好みに組み込んだ短いビデオレコメンデーションシステムを提案する。 個人の興味に合ったパーソナライズされたレコメンデーションを提供するために,提案システムはユーザインタラクションデータ,ビデオコンテンツ機能,コンテキスト情報などを考慮に入れている。 システムの有効性を評価するために、Kwai、TikTok、MovieLensの3つのデータセットが使用されている。
  論文  参考訳（メタデータ） (2025-06-29T04:50:52Z)
• LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation [49.78419076215196]
  シーケンスレコメンデーションは、類似したユーザやアイテムの履歴行動から協調フィルタリング(CF)信号をモデル化することで、ユーザの将来のインタラクションを予測することを目的としている。 従来のシーケンシャルなレコメンダは、高次の共起パターンを通じてCF信号をキャプチャするIDベースの埋め込みに依存している。 大規模言語モデル(LLM)の最近の進歩は、テキスト記述からアイテム表現を導出するテキストベースのレコメンデーションアプローチを動機付けている。 理想的な埋め込みモデルは、ドメイン内およびドメイン外のレコメンデーションパフォーマンスを改善するために、CF信号とリッチなセマンティック表現をシームレスに統合すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-16T13:27:06Z)
• REGEN: A Dataset and Benchmarks with Natural Language Critiques and Narratives [4.558818396613368]
  Amazon Product Reviewsデータセットを拡張して,2つの重要な自然言語機能を取り入れています。 ストーリーには、製品の支持、購入説明、ユーザの好みの要約が含まれる。
  論文  参考訳（メタデータ） (2025-03-14T23:47:46Z)
• OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment [9.99840965933561]
  ケースドラーニングフレームワークを統一的な生成モデルで置き換えるOneRecを提案する。 1) ユーザの履歴行動シーケンスをエンコードし、ユーザが興味を持っているかもしれない動画を徐々にデコードするエンコーダ・デコーダ構造。
  論文  参考訳（メタデータ） (2025-02-26T09:25:10Z)
• Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems [65.75265303064654]
  対話レコメンデーションシステム(CRS)は、ユーザとの対話を通じて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とを目的としている。 大規模言語モデル(LLM)は、コンテキスト対応のユーザの好みに対する理解が優れているため、CRSを強化する。 CRAG(Collaborative Retrieval Augmented Generation for LLM-based CRS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T22:47:40Z)
• Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion [2.2194815687410627]
  本稿では,コントラスト学習を統合したコールドスタートレコメンデーションモデルを提案する。 このモデルは適応的特徴選択モジュールを通じて鍵特徴の重みを動的に調整する。 マルチモーダルな特徴融合機構を組み合わせることで、ユーザ属性、アイテムメタ情報、コンテキスト特徴を統合する。
  論文  参考訳（メタデータ） (2025-02-05T23:15:31Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• RecLM: Recommendation Instruction Tuning [17.780484832381994]
  本稿では,大規模言語モデルと協調フィルタリングをシームレスに統合するモデル非依存の指導訓練パラダイムを提案する。 提案した$underlineRec$ommendationは、慎重に設計された強化学習報酬関数により、ユーザの好みの多様性を捕捉する。
  論文  参考訳（メタデータ） (2024-12-26T17:51:54Z)
• Direct Preference Optimization of Video Large Multimodal Models from Language Model Reward [118.65089648651308]
  本稿では,映像コンテンツのプロキシとして詳細な動画キャプションを利用する新しいフレームワークを提案する。 本稿では,DPOによる報酬の調整により,ビデオ質問応答(QA)タスクにおけるビデオLMMの性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-04-01T17:28:16Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• VideolandGPT: A User Study on a Conversational Recommender System [0.14495144578817493]
  本稿では,ビデオ・オン・デマンド(VOD)プラットフォームのレコメンデーションシステムであるVideolandGPTを紹介する。 評価指標,ユーザエクスペリエンス,リコメンデーションの公平性を評価し,個人化バージョンと非個人化バージョンを比較した。
  論文  参考訳（メタデータ） (2023-09-07T11:24:47Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Constrained Reinforcement Learning for Short Video Recommendation [18.492477839791274]
  ソーシャルメディアプラットフォーム上のショートビデオは、レコメンデーターシステムの最適化に新たな課題をもたらす。 アクター・クリティカルな枠組みに基づく2段階強化学習手法を提案する。 当社のアプローチは,ユーザエクスペリエンスを最適化するために,運用システムで完全にローンチされています。
  論文  参考訳（メタデータ） (2022-05-26T09:36:20Z)
• Fast Multi-Step Critiquing for VAE-based Recommender Systems [27.207067974031805]
  M&Ms-VAEは、提案と説明のための新しい変分オートエンコーダです。 モデルを弱い監督スキームでトレーニングし、完全および部分的に観察された変数をシミュレートします。 次に、訓練されたM&Ms-VAEモデルの一般化能力を利用して、ユーザの好みと批判を個別に埋め込む。
  論文  参考訳（メタデータ） (2021-05-03T12:26:09Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。