論文の概要: FLARE: Fusing Language Models and Collaborative Architectures for Recommender Enhancement

• arxiv url: http://arxiv.org/abs/2409.11699v2
• Date: Wed, 05 Mar 2025 23:46:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:56:01.919099
• Title: FLARE: Fusing Language Models and Collaborative Architectures for Recommender Enhancement
• Title（参考訳）: FLARE:リコメンダ強化のための言語モデルと協調アーキテクチャ
• Authors: Liam Hebert, Marialena Kyriakidi, Hubert Pham, Krishna Sayana, James Pine, Sukhdeep Sodhi, Ambarish Jash,
• Abstract要約: Flareは、Perceiverネットワークを使用した協調フィルタリングモデルと言語モデルを統合する、新しいハイブリッドシーケンスレコメンデータである。 我々はよく使われるBert4Recベースラインを再検討し、Bert4Recが以前報告された数値より大幅に上回っていることを示す。 本稿ではまた,Frareが特有なクオリティ作成を支援する能力を示し,ユーザがフィードバックを提供し,レコメンデーションを洗練できるようにする。
• 参考スコア（独自算出の注目度）: 0.7372033475418547
• License:
• Abstract: Recent proposals in recommender systems represent items with their textual description, using a large language model. They show better results on standard benchmarks compared to an item ID-only model, such as Bert4Rec. In this work, we revisit the often-used Bert4Rec baseline and show that with further tuning, Bert4Rec significantly outperforms previously reported numbers, and in some datasets, is competitive with state-of-the-art models. With revised baselines for item ID-only models, this paper also establishes new competitive results for architectures that combine IDs and textual descriptions. We demonstrate this with Flare (Fusing Language models and collaborative Architectures for Recommender Enhancement). Flare is a novel hybrid sequence recommender that integrates a language model with a collaborative filtering model using a Perceiver network. Prior studies focus evaluation on datasets with limited-corpus size, but many commercially-applicable recommender systems common on the web must handle larger corpora. We evaluate Flare on a more realistic dataset with a significantly larger item vocabulary, introducing new baselines for this setting. This paper also showcases Flare's inherent ability to support critiquing, enabling users to provide feedback and refine recommendations. We leverage critiquing as an evaluation method to assess the model's language understanding and its transferability to the recommendation task.
• Abstract（参考訳）: 近年のレコメンデータシステムにおける提案は, 大規模言語モデルを用いて, 文章記述を伴う項目を表現している。 これらは、Bert4RecのようなアイテムIDのみのモデルと比較して、標準ベンチマークでより良い結果を示す。 本稿では、よく使われるBert4Recベースラインを再検討し、さらなるチューニングにより、Bert4Recが以前報告した数値よりも大幅に優れており、一部のデータセットでは最先端のモデルと競合していることを示す。 項目IDのみのモデルに対するベースラインの改訂により,IDとテキスト記述を組み合わせたアーキテクチャの新たな競争結果が確立される。 Flare(Fusing Language ModelとRecommender Enhancementのための協調アーキテクチャ)でこれを実証します。 Flareは、Perceiverネットワークを使用した協調フィルタリングモデルと言語モデルを統合する、新しいハイブリッドシーケンスレコメンデータである。 これまでの研究では、コーパスサイズが限られているデータセットに焦点が当てられていたが、Webに共通する多くの商用レコメンデータシステムは、より大きなコーパスを扱う必要がある。 より現実的なデータセット上でFrareを非常に大きな項目語彙で評価し、この設定に新たなベースラインを導入する。 本稿ではまた,Frareが特有なクオリティ作成を支援する能力を示し,ユーザがフィードバックを提供し,レコメンデーションを洗練できるようにする。 提案手法は,モデルの言語理解とレコメンデーションタスクへの伝達性を評価するための評価手法としてクオリティクリングを利用する。

関連論文リスト

• 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)
• Enhancing Recommendation Explanations through User-Centric Refinement [7.640281193938638]
  本稿では、既存の説明可能なレコメンデータモデルによって生成された最初の説明を洗練する新しいパラダイムを提案する。 具体的には,大規模言語モデルに基づくマルチエージェント協調改良フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T12:08:18Z)
• 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)
• Beyond Retrieval: Generating Narratives in Conversational Recommender Systems [4.73461454584274]
  本稿では,会話レコメンデーションにおける自然言語生成タスクのための新しいデータセット(REGEN)を提案する。 我々は、よく知られた生成指標を用いてベンチマークを作成し、レーダLEMを用いて新しいデータセットの自動評価を行う。 そして、私たちの知る限りでは、レコメンデーター信号を理解し、リッチな物語を生成することにおけるLLMの能力を分析する最初の試みである。
  論文  参考訳（メタデータ） (2024-10-22T07:53:41Z)
• EasyRec: Simple yet Effective Language Models for Recommendation [6.311058599430178]
  EasyRecは、テキストベースの意味理解を協調的な信号とシームレスに統合する、効果的で使いやすいアプローチである。 EasyRecでは、コントラスト学習と協調的な言語モデルチューニングを組み合わせた、テキストビヘイビアアライメントフレームワークを採用している。 この研究は、プラグイン・アンド・プレイコンポーネントとしてEasyRecをテキスト強化協調フィルタリングフレームワークにシームレスに統合する可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-16T16:09:59Z)
• DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System [83.34921966305804]
  大規模言語モデル (LLM) はレコメンデーションシステムにおいて顕著な性能を示した。 LLMと協調モデルのための新しいプラグ・アンド・プレイアライメントフレームワークを提案する。 我々の手法は既存の最先端アルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2024-08-15T15:56:23Z)
• CELA: Cost-Efficient Language Model Alignment for CTR Prediction [70.65910069412944]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最重要位置を占める。 最近の取り組みは、プレトレーニング言語モデル(PLM)を統合することでこれらの課題を緩和しようとしている。 CTR予測のためのtextbfCost-textbfEfficient textbfLanguage Model textbfAlignment (textbfCELA)を提案する。
  論文  参考訳（メタデータ） (2024-05-17T07:43:25Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• 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)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)
• Tracing Origins: Coref-aware Machine Reading Comprehension [43.352833140317486]
  そこで,本研究では,アナフォリック表現を接続する際の人間の読影過程を模倣し,コア参照情報を活用し,事前学習モデルから単語の埋め込みを強化する。 学習段階におけるコア参照情報の明示的な組み込みは,事前学習言語モデルの訓練において,コア参照情報の組み込みよりも優れていたことを実証した。
  論文  参考訳（メタデータ） (2021-10-15T09:28:35Z)

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。