論文の概要: News Recommendation with Category Description by a Large Language Model

• arxiv url: http://arxiv.org/abs/2405.13007v1
• Date: Mon, 13 May 2024 08:53:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 02:58:21.294593
• Title: News Recommendation with Category Description by a Large Language Model
• Title（参考訳）: カテゴリー記述を用いた大規模言語モデルによるニュースレコメンデーション
• Authors: Yuki Yada, Hayato Yamana,
• Abstract要約: テレビゴールドグローブ、金融不動産、ニュース政治といったニュースカテゴリーは、ニュースコンテンツを理解する上で重要な役割を果たしている。 本研究では,大規模言語モデルを用いて情報カテゴリー記述を自動的に生成する手法を提案する。 基準法に比べてAUCでは5.8%の改善が得られた。
• 参考スコア（独自算出の注目度）: 1.6267479602370543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized news recommendations are essential for online news platforms to assist users in discovering news articles that match their interests from a vast amount of online content. Appropriately encoded content features, such as text, categories, and images, are essential for recommendations. Among these features, news categories, such as tv-golden-globe, finance-real-estate, and news-politics, play an important role in understanding news content, inspiring us to enhance the categories' descriptions. In this paper, we propose a novel method that automatically generates informative category descriptions using a large language model (LLM) without manual effort or domain-specific knowledge and incorporates them into recommendation models as additional information. In our comprehensive experimental evaluations using the MIND dataset, our method successfully achieved 5.8% improvement at most in AUC compared with baseline approaches without the LLM's generated category descriptions for the state-of-the-art content-based recommendation models including NAML, NRMS, and NPA. These results validate the effectiveness of our approach. The code is available at https://github.com/yamanalab/gpt-augmented-news-recommendation.
• Abstract（参考訳）: パーソナライズされたニュースレコメンデーションは、ユーザーが大量のオンラインコンテンツから自分の興味に合ったニュース記事を見つけるのを助けるために、オンラインニュースプラットフォームにとって不可欠である。 テキスト、カテゴリ、画像などの適切なエンコードされたコンテンツ機能は、レコメンデーションに不可欠である。 これらの特徴の中で、テレビゴールドグローブ、金融不動産、ニュース政治といったニュースカテゴリーは、ニュースコンテンツを理解する上で重要な役割を担い、カテゴリの記述を強化することを促す。 本稿では,手作業やドメイン固有の知識を使わずに,大規模言語モデル(LLM)を用いて情報カテゴリー記述を自動的に生成し,それを追加情報としてレコメンデーションモデルに組み込む手法を提案する。 MINDデータセットを用いた総合的な実験評価において,本手法は,NAML,NRMS,NPAなどの最先端コンテンツベースレコメンデーションモデルに対して,LLMが生成するカテゴリ記述を含まないベースラインアプローチと比較して,AUCの最大5.8%の改善を実現した。 これらの結果は,我々のアプローチの有効性を検証した。 コードはhttps://github.com/yamanalab/gpt-augmented-news-recommendationで公開されている。

関連論文リスト

• RecPrompt: A Self-tuning Prompting Framework for News Recommendation Using Large Language Models [12.28603831152324]
  我々は、ニュースレコメンデーションのための最初のセルフチューニングプロンプトフレームワークであるRecPromptを紹介する。 また、説明可能性を評価するための新しいメトリクスであるTopicScoreを紹介します。
  論文  参考訳（メタデータ） (2023-12-16T14:42:46Z)
• LKPNR: LLM and KG for Personalized News Recommendation Framework [4.4851420148166]
  本研究では,LLM(Large Language Models)とKG(Knowledge Graphs)を組み合わせた新しいフレームワークを提案する。 提案手法は,ニュースエンティティに関する情報を組み合わせて,KGの複数のホップを通して高次構造情報をマイニングすることにより,長尾分布の課題を軽減する。
  論文  参考訳（メタデータ） (2023-08-23T09:39:18Z)
• LLM-Rec: Personalized Recommendation via Prompting Large Language Models [62.481065357472964]
  大きな言語モデル(LLM)は、常識的な知識と推論を活用する能力を示した。 大規模言語モデル(LLM)の最近の進歩は、コモンセンスの知識と推論を活用できることを顕著に示している。 本研究では,パーソナライズされたテキストベースのレコメンデーションを改善するために,テキストエンリッチメントの4つの異なる促進戦略を取り入れた新しいアプローチ LLM-Rec を提案する。
  論文  参考訳（メタデータ） (2023-07-24T18:47:38Z)
• 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)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Multimodal Recommender Systems: A Survey [50.23505070348051]
  マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。 本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。 実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
  論文  参考訳（メタデータ） (2023-02-08T05:12:54Z)
• Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
  既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。 我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。 我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
  論文  参考訳（メタデータ） (2022-06-26T12:07:56Z)
• Neural News Recommendation with Event Extraction [0.0]
  オンラインニュースレコメンデーションの重要な課題は、ユーザーが興味のある記事を見つけるのを助けることだ。 従来のニュースレコメンデーション手法では、ニュースやユーザ表現をエンコードするには不十分な単一ニュース情報を使用することが多い。 本稿では,これらの欠点を克服するためのイベント抽出に基づくニュースレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-09T11:56:38Z)
• Aspect-driven User Preference and News Representation Learning for News Recommendation [9.187076140490902]
  ニュースレコメンダシステムは、通常、ユーザーのトピックレベルの表現とレコメンデーションのためのニュースを学習する。 本稿では,アスペクトレベルのユーザ嗜好とニュース表現学習に基づく,アスペクト駆動型ニューズレコメンダシステム(ANRS)を提案する。
  論文  参考訳（メタデータ） (2021-10-12T07:38:54Z)

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。