論文の概要: End-to-end Training for Recommendation with Language-based User Profiles

• arxiv url: http://arxiv.org/abs/2410.18870v1
• Date: Thu, 24 Oct 2024 15:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:48:55.596253
• Title: End-to-end Training for Recommendation with Language-based User Profiles
• Title（参考訳）: 言語に基づくユーザプロファイルによる推薦のためのエンドツーエンドトレーニング
• Authors: Zhaolin Gao, Joyce Zhou, Yijia Dai, Thorsten Joachims,
• Abstract要約: LangPTuneは、LLMをトレーニングして言語ベースのユーザプロファイルを生成するための、最初のエンドツーエンドの学習方法である。 我々は、LangPTuneが既存のプロファイルベースの手法を著しく上回っていることを示す。 最先端で透明性の低いレコメンデーションシステムに匹敵するパフォーマンスレベルにアプローチする。
• 参考スコア（独自算出の注目度）: 21.61482456379204
• License:
• Abstract: Many online platforms maintain user profiles for personalization. Unfortunately, these profiles are typically not interpretable or easily modifiable by the user. To remedy this shortcoming, we explore natural language-based user profiles, as they promise enhanced transparency and scrutability of recommender systems. While existing work has shown that language-based profiles from standard LLMs can be effective, such generalist LLMs are unlikely to be optimal for this task. In this paper, we introduce LangPTune, the first end-to-end learning method for training LLMs to produce language-based user profiles that optimize recommendation effectiveness. Through comprehensive evaluations of LangPTune across various training configurations and benchmarks, we demonstrate that our approach significantly outperforms existing profile-based methods. In addition, it approaches performance levels comparable to state-of-the-art, less transparent recommender systems, providing a robust and interpretable alternative to conventional systems. Finally, we validate the relative interpretability of these language-based user profiles through user studies involving crowdworkers and GPT-4-based evaluations. Implementation of LangPTune can be found at https://github.com/ZhaolinGao/LangPTune.
• Abstract（参考訳）: 多くのオンラインプラットフォームはパーソナライズのためのユーザープロファイルを維持している。 残念ながら、これらのプロファイルは通常、ユーザーが解釈したり簡単に修正したりできない。 この欠点を解消するため,推奨システムの透明性と精査性の向上を約束する自然言語ベースのユーザプロファイルについて検討する。 既存の研究は、標準LLMの言語ベースのプロファイルが有効であることを示しているが、そのような一般LLMは、このタスクに最適である可能性は低い。 本稿では,LangPTuneについて紹介する。LangPTuneは,LLMを学習し,推薦効率を最適化する言語ベースのユーザプロファイルを生成するための,最初のエンドツーエンド学習手法である。 様々なトレーニング設定やベンチマークでLangPTuneを総合的に評価することで、我々のアプローチが既存のプロファイルベースの手法よりも大幅に優れていることを示す。 さらに、最先端で透明性の低いレコメンデータシステムに匹敵するパフォーマンスレベルにアプローチし、従来のシステムに対して堅牢で解釈可能な代替手段を提供する。 最後に,これらの言語に基づくユーザプロファイルの相対的解釈可能性について,クラウドワーカーによるユーザスタディとGPT-4による評価を用いて検証する。 LangPTuneの実装はhttps://github.com/ZhaolinGao/LangPTuneで見ることができる。

関連論文リスト

• GenUP: Generative User Profilers as In-Context Learners for Next POI Recommender Systems [8.789624590579903]
  従来のPOIレコメンデーションシステムは、透明性、解釈可能性、精査性に欠けることが多い。 本稿では,LBSNの大規模チェックインから自然言語(NL)ユーザプロファイルを生成する手法を提案する。 これらのNLプロファイルは、ユーザの好み、ルーチン、振る舞いをキャプチャし、透明性を高めながらPOI予測精度を改善する。
  論文  参考訳（メタデータ） (2024-10-28T00:39:22Z)
• MetaAlign: Align Large Language Models with Diverse Preferences during Inference Time [50.41806216615488]
  大規模言語モデル(LLM)は、広範なテキストコーパスから広範な知識と顕著な能力を取得する。 LLMをより使いやすくするためには、それらを人間の好みに合わせることが不可欠である。 提案手法は,LLMが推論時に指定される様々な明示的あるいは暗黙的な選好と動的に整合するのを支援することを目的としている。
  論文  参考訳（メタデータ） (2024-10-18T05:31:13Z)
• A Prompting-Based Representation Learning Method for Recommendation with Large Language Models [2.1161973970603998]
  本稿では,Recommender SystemsにおけるLarge Language Models(LLM)の言語能力を高めるために,Prompting-based Representation Learning Method for Recommendation(P4R)を紹介する。 P4Rフレームワークでは、パーソナライズされたアイテムプロファイルを作成するためにLSMプロンプト戦略を利用する。 評価では、P4Rと最先端のRecommenderモデルを比較し、プロンプトベースのプロファイル生成の品質を評価する。
  論文  参考訳（メタデータ） (2024-09-25T07:06:14Z)
• Guided Profile Generation Improves Personalization with LLMs [3.2685922749445617]
  勧告、ランク付け、Eコマースプラットフォームを含む現代の商業システムでは、パーソナライズコンテキストを大型言語モデル(LLM)への入力として取り入れる傾向にある。 本稿では,自然言語で個人プロファイルを生成するための汎用手法であるGPGを提案する。 実験の結果,GAGはLLMのパーソナライズ能力を向上させることが示され,例えば,LLMを生の個人的コンテキストで直接供給するよりも,個人の嗜好を予測する上で37%の精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-09-19T21:29:56Z)
• Show, Don't Tell: Aligning Language Models with Demonstrated Feedback [54.10302745921713]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)
• Analyzing and Adapting Large Language Models for Few-Shot Multilingual NLU: Are We There Yet? [82.02076369811402]
  教師付きファインチューニング(SFT)、教師付きインストラクションチューニング(SIT)、インコンテキストラーニング(ICL)は、3つの代替であり、事実上の標準的アプローチである。 提案手法は,6つの高・低リソース言語,3つの異なるNLUタスク,多種多様な言語とドメインのセットアップを用いて,3つのアプローチを網羅的かつ体系的に比較する。 そこで本研究では,教師あり指導のチューニングが,性能とリソース要件の最良のトレードオフであることを示す。
  論文  参考訳（メタデータ） (2024-03-04T10:48:13Z)
• 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)
• 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)
• Recommendation as Instruction Following: A Large Language Model Empowered Recommendation Approach [83.62750225073341]
  我々は、大規模言語モデル(LLM)による指示としてレコメンデーションを考える。 まず、ユーザの好み、意図、タスクフォーム、コンテキストを自然言語で記述するための一般的な命令形式を設計する。 そして、39の命令テンプレートを手動で設計し、大量のユーザ個人化された命令データを自動的に生成する。
  論文  参考訳（メタデータ） (2023-05-11T17:39:07Z)
• Offline RL for Natural Language Generation with Implicit Language Q Learning [87.76695816348027]
  ユーザ指定タスクの完了に関して、大きな言語モデルは矛盾する可能性がある。 本稿では,RLのフレキシブル・ユーティリティ・フレームワークと教師あり学習能力を組み合わせた新しいRL手法を提案する。 ILQLの実証的な検証に加えて、オフラインRLが自然言語生成設定で有用となるような、詳細な経験的分析状況も提示する。
  論文  参考訳（メタデータ） (2022-06-05T18:38:42Z)

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。