論文の概要: Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
- arxiv url: http://arxiv.org/abs/2412.18713v1
- Date: Wed, 25 Dec 2024 00:23:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:27:19.272671
- Title: Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
- Title（参考訳）: 協調フィルタリングと大規模言語モデルを組み合わせた勧告の強化
- Authors: Xueting Lin, Zhan Cheng, Longfei Yun, Qingyi Lu, Yuanshuai Luo,
- Abstract要約: 大規模言語モデル(LLM)はレコメンデーションシステムに新たなブレークスルーを提供する。
本稿では,協調フィルタリングとLLMを組み合わせたレコメンデーション手法を提案する。
その結果,協調フィルタリングとLCMに基づくハイブリッドモデルは,精度,リコール,ユーザ満足度を著しく向上させることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: With the advent of the information explosion era, the importance of recommendation systems in various applications is increasingly significant. Traditional collaborative filtering algorithms are widely used due to their effectiveness in capturing user behavior patterns, but they encounter limitations when dealing with cold start problems and data sparsity. Large Language Models (LLMs), with their strong natural language understanding and generation capabilities, provide a new breakthrough for recommendation systems. This study proposes an enhanced recommendation method that combines collaborative filtering and LLMs, aiming to leverage collaborative filtering's advantage in modeling user preferences while enhancing the understanding of textual information about users and items through LLMs to improve recommendation accuracy and diversity. This paper first introduces the fundamental theories of collaborative filtering and LLMs, then designs a recommendation system architecture that integrates both, and validates the system's effectiveness through experiments. The results show that the hybrid model based on collaborative filtering and LLMs significantly improves precision, recall, and user satisfaction, demonstrating its potential in complex recommendation scenarios.
- Abstract（参考訳）: 情報爆発時代の到来に伴い、様々なアプリケーションにおけるレコメンデーションシステムの重要性が増している。
従来のコラボレーティブフィルタリングアルゴリズムは、ユーザの行動パターンをキャプチャする効果のために広く使用されているが、コールドスタート問題やデータスパシリティに対処する際の制限に直面している。
大きな言語モデル(LLM)は、強力な自然言語理解と生成能力を持ち、レコメンデーションシステムに新たなブレークスルーを提供する。
本研究では,LLMによるユーザや項目のテキスト情報の理解を深め,レコメンデーションの精度と多様性を向上させるとともに,ユーザの嗜好をモデル化する上での協調フィルタリングの利点を活用することを目的とした,協調フィルタリングとLCMを組み合わせたレコメンデーション手法を提案する。
本稿では,まず協調フィルタリングとLCMの基本理論を紹介し,両者を統合するレコメンデーションシステムアーキテクチャを設計し,実験を通じてシステムの有効性を検証する。
その結果、協調フィルタリングとLCMに基づくハイブリッドモデルは、精度、リコール、ユーザ満足度を大幅に向上させ、複雑な推薦シナリオにおけるその可能性を示している。
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) - 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) - Optimization and Scalability of Collaborative Filtering Algorithms in Large Language Models [0.3495246564946556]
協調フィルタリングアルゴリズムは多くのレコメンデーションシステムの中核である。
従来の協調フィルタリング手法は、大規模LLMベースのシステムに統合された場合、多くの課題に直面している。
本稿では,大規模言語モデルにおける協調フィルタリングアルゴリズムの最適化と拡張性について検討する。
論文 参考訳（メタデータ） (2024-12-25T00:26:51Z) - Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation [4.518104756199573]
Molarは、複数のコンテンツモダリティとID情報を統合するシーケンシャルなレコメンデーションフレームワークで、協調的な信号を効果的にキャプチャする。
マルチモーダルコンテンツと協調フィルタリングの洞察をシームレスに組み合わせることで、Molarはユーザの関心事とコンテキスト意味論の両方をキャプチャし、より優れた推奨精度をもたらす。
論文 参考訳（メタデータ） (2024-12-24T05:23:13Z) - 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) - Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。
様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。
我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
論文 参考訳（メタデータ） (2024-08-14T10:03:40Z) - 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) - 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) - Broad Recommender System: An Efficient Nonlinear Collaborative Filtering
Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。
深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。
7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文 参考訳（メタデータ） (2022-04-20T01:25:08Z) - A Hybrid Recommender System for Recommending Smartphones to Prospective
Customers [0.7310043452300736]
ハイブリッドレコメンデータシステムは、補完的な利点の恩恵を受けるために、さまざまな方法で複数のレコメンデーション戦略を組み合わせる。
いくつかのハイブリッドレコメンデータシステムは、より堅牢なビルドシステムに対する協調フィルタリングとコンテンツベースのアプローチを組み合わせています。
本稿では,Alternative Least Squares(ALS)に基づく協調フィルタリングとディープラーニングを組み合わせたハイブリッドレコメンデーションシステムを提案する。
論文 参考訳（メタデータ） (2021-05-26T23:10:51Z)
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。