論文の概要: Taxonomy-Guided Zero-Shot Recommendations with LLMs

• arxiv url: http://arxiv.org/abs/2406.14043v1
• Date: Thu, 20 Jun 2024 07:06:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 15:10:05.719257
• Title: Taxonomy-Guided Zero-Shot Recommendations with LLMs
• Title（参考訳）: LLMを用いた分類誘導ゼロショット勧告
• Authors: Yueqing Liang, Liangwei Yang, Chen Wang, Xiongxiao Xu, Philip S. Yu, Kai Shu,
• Abstract要約: 大規模言語モデル (LLM) はレコメンデータシステム (RecSys) において有望であることを示す。 項目情報の明瞭度と構造を改善するため,分類学辞書を用いた新しい手法を提案する。 TaxRecは従来のゼロショットアプローチに比べて推奨品質を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 45.81618062939684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the emergence of large language models (LLMs) and their ability to perform a variety of tasks, their application in recommender systems (RecSys) has shown promise. However, we are facing significant challenges when deploying LLMs into RecSys, such as limited prompt length, unstructured item information, and un-constrained generation of recommendations, leading to sub-optimal performance. To address these issues, we propose a novel method using a taxonomy dictionary. This method provides a systematic framework for categorizing and organizing items, improving the clarity and structure of item information. By incorporating the taxonomy dictionary into LLM prompts, we achieve efficient token utilization and controlled feature generation, leading to more accurate and contextually relevant recommendations. Our Taxonomy-guided Recommendation (TaxRec) approach features a two-step process: one-time taxonomy categorization and LLM-based recommendation, enabling zero-shot recommendations without the need for domain-specific fine-tuning. Experimental results demonstrate TaxRec significantly enhances recommendation quality compared to traditional zero-shot approaches, showcasing its efficacy as personal recommender with LLMs. Code is available at https://github.com/yueqingliang1/TaxRec.
• Abstract（参考訳）: 大規模言語モデル(LLM)が出現し、様々なタスクを実行できるようになり、レコメンデータシステム(RecSys)での応用が約束されている。 しかし、LLMをRecSysにデプロイする際には、制限されたプロンプト長、構造化されていないアイテム情報、制約のないレコメンデーションの生成など、重大な課題に直面しており、それによってサブ最適性能がもたらされる。 これらの問題に対処するために,分類辞書を用いた新しい手法を提案する。 項目の分類と整理を行うための体系的な枠組みを提供し、項目情報の明確さと構造を改善する。 分類辞書をLSMプロンプトに組み込むことで,効率的なトークン利用と制御された特徴生成を実現し,より正確で文脈的に関係のあるレコメンデーションを実現する。 分類誘導勧告 (TaxRec) アプローチでは, ドメイン固有の微調整を必要とせず, ゼロショットレコメンデーションを可能にする一段階の分類分類分類とLCMに基づくレコメンデーションという2段階のプロセスが特徴である。 実験の結果,TaxRecは従来のゼロショットアプローチと比較してリコメンデーション品質を著しく向上させ,LLMを用いた個人レコメンデーションとしての有効性を示した。 コードはhttps://github.com/yueqingliang1/TaxRec.comで入手できる。

関連論文リスト

• Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
  大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。 LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
  協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。 我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。 M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
  論文  参考訳（メタデータ） (2024-09-03T04:55:03Z)
• LANE: Logic Alignment of Non-tuning Large Language Models and Online Recommendation Systems for Explainable Reason Generation [15.972926854420619]
  大きな言語モデル(LLM)を活用することで、包括的なレコメンデーションロジック生成の新しい機会を提供する。 レコメンデーションタスクのための微調整LDMモデルは、計算コストと既存のシステムとのアライメントの問題を引き起こす。 本研究は,LLMとオンラインレコメンデーションシステムとの連携を,LLMのチューニングを伴わない効果的戦略LANEを提案する。
  論文  参考訳（メタデータ） (2024-07-03T06:20:31Z)
• CherryRec: Enhancing News Recommendation Quality via LLM-driven Framework [4.4206696279087]
  我々は,textitCherryRecという名前のLarge Language Models (LLMs) を用いた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。 CherryRecは、レコメンデーションプロセスを加速しながら、レコメンデーションの品質を保証する。 提案手法の有効性を,ベンチマークデータセット上での最先端のベースライン手法と比較することにより検証する。
  論文  参考訳（メタデータ） (2024-06-18T03:33:38Z)
• LlamaRec: Two-Stage Recommendation using Large Language Models for Ranking [10.671747198171136]
  ランキングベースレコメンデーション(LlamaRec)のための大規模言語モデルを用いた2段階フレームワークを提案する。 特に,ユーザインタラクション履歴に基づいて候補を検索するために,小規模なシーケンシャルレコメンデータを用いる。 LlamaRecは、推奨パフォーマンスと効率の両方において、データセットの優れたパフォーマンスを一貫して達成している。
  論文  参考訳（メタデータ） (2023-10-25T06:23:48Z)
• LLMRec: Benchmarking Large Language Models on Recommendation Task [54.48899723591296]
  推奨領域におけるLarge Language Models (LLMs) の適用について, 十分に検討されていない。 我々は、評価予測、シーケンシャルレコメンデーション、直接レコメンデーション、説明生成、レビュー要約を含む5つのレコメンデーションタスクにおいて、市販のLLMをベンチマークする。 ベンチマークの結果,LLMは逐次的・直接的推薦といった精度に基づくタスクにおいて適度な熟練度しか示さないことがわかった。
  論文  参考訳（メタデータ） (2023-08-23T16:32:54Z)
• 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)
• 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)

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。