論文の概要: Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap

• arxiv url: http://arxiv.org/abs/2501.01945v2
• Date: Thu, 16 Jan 2025 18:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:58:01.072620
• Title: Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap
• Title（参考訳）: 大規模言語モデル(LLM)の時代へのコールドスタート勧告 : 包括的調査とロードマップ
• Authors: Weizhi Zhang, Yuanchen Bei, Liangwei Yang, Henry Peng Zou, Peilin Zhou, Aiwei Liu, Yinghui Li, Hao Chen, Jianling Wang, Yu Wang, Feiran Huang, Sheng Zhou, Jiajun Bu, Allen Lin, James Caverlee, Fakhri Karray, Irwin King, Philip S. Yu,
• Abstract要約: コールドスタート問題は、リコメンデータシステムにおける長年の課題のひとつだ。 インターネットプラットフォームの普及とユーザやアイテムの指数的な成長により、コールドスタートレコメンデーション(CSR)の重要性が増している。 本稿では、CSRのロードマップ、関連文献、今後の方向性について、包括的なレビューと議論を行う。
• 参考スコア（独自算出の注目度）: 78.26201062505814
• License:
• Abstract: Cold-start problem is one of the long-standing challenges in recommender systems, focusing on accurately modeling new or interaction-limited users or items to provide better recommendations. Due to the diversification of internet platforms and the exponential growth of users and items, the importance of cold-start recommendation (CSR) is becoming increasingly evident. At the same time, large language models (LLMs) have achieved tremendous success and possess strong capabilities in modeling user and item information, providing new potential for cold-start recommendations. However, the research community on CSR still lacks a comprehensive review and reflection in this field. Based on this, in this paper, we stand in the context of the era of large language models and provide a comprehensive review and discussion on the roadmap, related literature, and future directions of CSR. Specifically, we have conducted an exploration of the development path of how existing CSR utilizes information, from content features, graph relations, and domain information, to the world knowledge possessed by large language models, aiming to provide new insights for both the research and industrial communities on CSR. Related resources of cold-start recommendations are collected and continuously updated for the community in https://github.com/YuanchenBei/Awesome-Cold-Start-Recommendation.
• Abstract（参考訳）: コールドスタート問題は、リコメンデーションシステムにおける長年の課題のひとつであり、より優れたレコメンデーションを提供するために、新しいユーザーやインタラクション制限のあるアイテムを正確にモデリングすることに焦点を当てている。 インターネットプラットフォームの普及とユーザやアイテムの指数的な成長により、コールドスタートレコメンデーション(CSR)の重要性が増している。 同時に、大きな言語モデル(LLM)は大きな成功を収め、ユーザ情報やアイテム情報をモデリングする強力な能力を持ち、コールドスタートレコメンデーションの新たな可能性を提供しています。 しかし、CSRの研究コミュニティには、この分野における包括的なレビューとリフレクションがない。 そこで本論文では,大規模言語モデルの時代を背景として,ロードマップ,関連文献,今後のCSRの方向性について,包括的なレビューと議論を行う。 具体的には、既存のCSRが、コンテンツ特徴、グラフ関係、ドメイン情報から、大規模言語モデルが持つ世界知識まで、どのように情報を利用するかという開発経路を探索し、CSRの研究開発コミュニティと産業コミュニティの両方に新たな洞察を提供することを目的としている。 コールドスタートレコメンデーションの関連リソースはhttps://github.com/YuanchenBei/Awesome-Cold-Start-Recommendation.comで収集され、コミュニティのために継続的に更新される。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• 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)
• Keyword-driven Retrieval-Augmented Large Language Models for Cold-start User Recommendations [5.374800961359305]
  コールドスタートユーザレストランレコメンデーションの問題に対処するフレームワークであるKALM4Recを紹介する。 KALM4Recは、候補検索とLLMベースの候補の再ランクの2つの主要な段階で動作する。 Yelpのレストランデータセットを用いて、英語圏の3都市からのユーザレビューを行い、提案したフレームワークが推奨品質を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-05-30T02:00:03Z)
• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)
• Breaking the Barrier: Utilizing Large Language Models for Industrial Recommendation Systems through an Inferential Knowledge Graph [19.201697767418597]
  大規模言語モデルに基づく補完的知識強化推薦システム(LLM-KERec)を提案する。 アイテムとユーザ情報から統一された概念用語を抽出し、ユーザ意図の遷移をキャプチャし、新しいアイテムに適応する。 3つの業界データセットで実施された大規模な実験は、既存のアプローチと比較して、我々のモデルの大幅な性能向上を実証している。
  論文  参考訳（メタデータ） (2024-02-21T12:22:01Z)
• 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)
• Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations [38.91330250981614]
  本稿では,言語モデルの文脈内学習に基づくシンプルだが効果的なアプローチであるPromptRecを提案する。 本稿では,データ中心パイプラインを用いたレコメンデータシステムのための小型言語モデルを提案する。 私たちの知る限りでは、システムコールドスタートレコメンデーション問題に取り組む最初の研究である。
  論文  参考訳（メタデータ） (2023-06-29T18:50:12Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Using Social Media Background to Improve Cold-start Recommendation Deep Models [8.444156978118087]
  本稿では,ソーシャルメディアの背景を余分な文脈情報として利用してレコメンデーションモデルを改善することができるかどうかを検討する。 既存のディープニューラルネットワークモデルに基づいて,ソーシャルメディアの背景を埋め込みとして表現する方法を提案する。 その結果,既存のモデルとソーシャルメディアの背景を融合させる手法は,一般的にレコメンデーション性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2021-06-04T04:46:29Z)
• CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis] [0.43512163406551996]
  CHAMELEONは、ニュースレコメンデーションの課題に取り組むために設計されたディープラーニングメタアーキテクチャである。 モジュラー参照アーキテクチャで構成されており、異なるニューラルビルディングブロックを使用してインスタンス化することができる。 2つの大きなデータセットを用いて行った実験は、ニュースレコメンデーションにおけるCHAMELEONの有効性を示した。
  論文  参考訳（メタデータ） (2019-12-29T13:40:56Z)

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。