論文の概要: Sequential LLM Framework for Fashion Recommendation

• arxiv url: http://arxiv.org/abs/2410.11327v1
• Date: Tue, 15 Oct 2024 06:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:04:33.922813
• Title: Sequential LLM Framework for Fashion Recommendation
• Title（参考訳）: ファッションレコメンデーションのための連続LLMフレームワーク
• Authors: Han Liu, Xianfeng Tang, Tianlang Chen, Jiapeng Liu, Indu Indu, Henry Peng Zou, Peng Dai, Roberto Fernandez Galan, Michael D Porter, Dongmei Jia, Ning Zhang, Lian Xiong,
• Abstract要約: 本稿では,事前学習された大規模言語モデル(LLM)を活用し,レコメンデーション固有のプロンプトを付加したシーケンシャルなファッションレコメンデーションフレームワークを提案する。 本フレームワークでは,パラメータ効率のよいファインタニングと広範囲なファッションデータを導入し,テキストを関連製品に翻訳する新たなミックスアップ検索手法を提案する。
• 参考スコア（独自算出の注目度）: 27.955866984744137
• License:
• Abstract: The fashion industry is one of the leading domains in the global e-commerce sector, prompting major online retailers to employ recommendation systems for product suggestions and customer convenience. While recommendation systems have been widely studied, most are designed for general e-commerce problems and struggle with the unique challenges of the fashion domain. To address these issues, we propose a sequential fashion recommendation framework that leverages a pre-trained large language model (LLM) enhanced with recommendation-specific prompts. Our framework employs parameter-efficient fine-tuning with extensive fashion data and introduces a novel mix-up-based retrieval technique for translating text into relevant product suggestions. Extensive experiments show our proposed framework significantly enhances fashion recommendation performance.
• Abstract（参考訳）: ファッション業界は、グローバルなeコマース分野における主要な領域の1つであり、大手オンライン小売業者は製品提案や顧客利便性のためにレコメンデーションシステムを採用するよう促している。 レコメンデーションシステムは広く研究されているが、そのほとんどは一般的なeコマース問題やファッションドメインのユニークな課題に対処するために設計されている。 これらの課題に対処するため,提案手法では,事前学習された大規模言語モデル(LLM)を活用し,レコメンデーション固有のプロンプトを付加したシーケンシャルなファッションレコメンデーションフレームワークを提案する。 本フレームワークでは,パラメータ効率のよいファインタニングと広範囲なファッションデータを導入し,テキストを関連製品に翻訳する新たなミックスアップ検索手法を提案する。 大規模な実験により,提案手法はファッションレコメンデーション性能を大幅に向上させることが示された。

関連論文リスト

• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• The Application of Large Language Models in Recommendation Systems [0.0]
  大規模言語モデルは、非構造化データソースへのレコメンデーションフレームワークの利用を可能にする強力なツールである。 本稿では,レコメンデーションシステム,特に電子商取引,ソーシャルメディアプラットフォーム,ストリーミングサービス,教育技術におけるLLMの適用について論じる。
  論文  参考訳（メタデータ） (2025-01-04T04:02:23Z)
• Towards Next-Generation LLM-based Recommender Systems: A Survey and Beyond [41.08716571288641]
  本論では,本質的なレコメンデーションに端を発する新しい分類法を紹介する。 本稿では,レコメンデーションシステムの発達過程をより正確に反映した3層構造を提案する。
  論文  参考訳（メタデータ） (2024-10-10T08:22:04Z)
• Multi-modal clothing recommendation model based on large model and VAE enhancement [0.3495246564946556]
  本研究では,衣服推薦のためのマルチモーダルパラダイムを提案する。 衣料品記述テキストと画像を統合し、事前訓練された大きな言語モデルを利用する。 ユーザ情報と製品の関係を学習するために,変分エンコーダを用いる。
  論文  参考訳（メタデータ） (2024-10-03T05:23:39Z)
• All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era [63.649070507815715]
  我々は、リコメンデータシステムをより広い視野に統合し、将来の研究のためのより包括的なソリューションの道を開くことを目指しています。 我々は、リストワイズレコメンデーションと会話レコメンデーションを通じて、現代のレコメンデーションシステムの2つの進化経路を特定する。 本稿では,ユーザの獲得コストを削減しつつ,推薦情報の有効性を高めることを指摘する。
  論文  参考訳（メタデータ） (2024-07-14T05:02:21Z)
• LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• A Model-based Multi-Agent Personalized Short-Video Recommender System [19.03089585214444]
  本稿では,RLをベースとした産業用ショートビデオレコメンデータランキングフレームワークを提案する。 提案フレームワークでは,サンプル選択バイアスを軽減するために,モデルに基づく学習アプローチを採用している。 提案手法は,当社の大規模ショートビデオ共有プラットフォームに導入されている。
  論文  参考訳（メタデータ） (2024-05-03T04:34:36Z)
• Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations [0.0]
  大規模言語モデル(LLM)は、明示的なフィードバックベースのレコメンデータシステムで遭遇する少数のシナリオに対処するための、新たな洞察を提供する。 我々の研究は、LLMがレコメンデーターシステムに関わっていることの多面的側面を深く掘り下げるために、研究者に刺激を与えることができる。
  論文  参考訳（メタデータ） (2023-12-21T03:50:09Z)
• Online Advertisements with LLMs: Opportunities and Challenges [51.96140910798771]
  本稿では,オンライン広告システムにおけるLarge Language Models(LLM)の活用の可能性について検討する。 提案手法は,LLM広告の修正,入札,予測,オークションモジュールから構成される。
  論文  参考訳（メタデータ） (2023-11-11T02:13:32Z)
• 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)
• Addressing the Cold-Start Problem in Outfit Recommendation Using Visual Preference Modelling [51.147871738838305]
  本稿では,新しい視覚的嗜好モデリング手法を活用することで,新規ユーザに対するコールドスタート問題に対処する。 機能重み付けクラスタリングによるアプローチの活用を実演し、時事指向の衣装レコメンデーションをパーソナライズする。
  論文  参考訳（メタデータ） (2020-08-04T10:07:09Z)

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。