論文の概要: A Survey on LLM-based News Recommender Systems
- arxiv url: http://arxiv.org/abs/2502.09797v1
- Date: Thu, 13 Feb 2025 22:13:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 14:46:54.490279
- Title: A Survey on LLM-based News Recommender Systems
- Title（参考訳）: LLMに基づくニュースレコメンダシステムに関する調査
- Authors: Rongyao Wang, Veronica Liesaputra, Zhiyi Huang,
- Abstract要約: ニュースレコメンデータシステムは、情報過負荷問題を緩和する上で重要な役割を果たす。
大規模言語モデル技術の応用が成功したため、研究者はニュースレコメンデータシステムの性能向上のため、DLLM(Driminative Large Language Models)またはGLLM(Generative Large Language Models)を利用している。
近年のいくつかの調査では、ディープラーニングベースのニュースレコメンデータシステムに関する重要な課題がレビューされているが、Large Language Model(LLM)ベースのニュースレコメンデータシステムに関する体系的な調査が欠如している。
- 参考スコア（独自算出の注目度）: 3.295694699346357
- License:
- Abstract: News recommender systems play a critical role in mitigating the information overload problem. In recent years, due to the successful applications of large language model technologies, researchers have utilized Discriminative Large Language Models (DLLMs) or Generative Large Language Models (GLLMs) to improve the performance of news recommender systems. Although several recent surveys review significant challenges for deep learning-based news recommender systems, such as fairness, privacy-preserving, and responsibility, there is a lack of a systematic survey on Large Language Model (LLM)-based news recommender systems. In order to review different core methodologies and explore potential issues systematically, we categorize DLLM-based and GLLM-based news recommender systems under the umbrella of LLM-based news recommender systems. In this survey, we first overview the development of deep learning-based news recommender systems. Then, we review LLM-based news recommender systems based on three aspects: news-oriented modeling, user-oriented modeling, and prediction-oriented modeling. Next, we examine the challenges from various perspectives, including datasets, benchmarking tools, and methodologies. Furthermore, we conduct extensive experiments to analyze how large language model technologies affect the performance of different news recommender systems. Finally, we comprehensively explore the future directions for LLM-based news recommendations in the era of LLMs.
- Abstract（参考訳）: ニュースレコメンデータシステムは、情報過負荷問題を緩和する上で重要な役割を果たす。
近年,大規模な言語モデル技術の応用が成功しているため,ニュースレコメンデータシステムの性能向上のために,DLLM (Driminative Large Language Models) やGLLM (Generative Large Language Models) が用いられている。
最近の調査では、公平性、プライバシ保護、責任など、ディープラーニングベースのニュースレコメンデータシステムに関する重要な課題がレビューされているが、Large Language Model(LLM)ベースのニュースレコメンデータシステムに関する体系的な調査が欠如している。
DLLMベースのニュースレコメンデーションシステムとGLLMベースのニュースレコメンデーションシステムとをLLMベースのニュースレコメンデーションシステムに分類する。
本稿では,ディープラーニングに基づくニュースレコメンデーションシステムの開発について概説する。
次に,LLMに基づくニュースレコメンデータシステムについて,ニュース指向モデリング,ユーザ指向モデリング,予測指向モデリングの3つの側面から検討する。
次に,データセットやベンチマークツール,方法論など,さまざまな観点からの課題について検討する。
さらに,大規模言語モデル技術が様々なニュースレコメンデータシステムの性能に与える影響を分析するために,広範な実験を行った。
最後に,LLM 時代における LLM に基づくニュースレコメンデーションの今後の方向性を概観する。
関連論文リスト
- 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) - Cognitive Biases in Large Language Models for News Recommendation [68.90354828533535]
本稿では,認知バイアスが大規模言語モデル(LLM)に基づくニュースレコメンデータシステムに与える影響について検討する。
データ拡張、エンジニアリングと学習アルゴリズムの側面を通じて、これらのバイアスを軽減する戦略について議論する。
論文 参考訳（メタデータ） (2024-10-03T18:42:07Z) - MMREC: LLM Based Multi-Modal Recommender System [2.3113916776957635]
本稿では,Large Language Models(LLM)とディープラーニング技術を活用して,レコメンデータシステムを強化する新しい手法を提案する。
提案フレームワークは,マルチモーダル情報処理を取り入れたレコメンデーションの精度と妥当性を,統一された潜在空間表現を用いて向上することを目的としている。
論文 参考訳（メタデータ） (2024-08-08T04:31:29Z) - 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) - LLMRec: Benchmarking Large Language Models on Recommendation Task [54.48899723591296]
推奨領域におけるLarge Language Models (LLMs) の適用について, 十分に検討されていない。
我々は、評価予測、シーケンシャルレコメンデーション、直接レコメンデーション、説明生成、レビュー要約を含む5つのレコメンデーションタスクにおいて、市販のLLMをベンチマークする。
ベンチマークの結果,LLMは逐次的・直接的推薦といった精度に基づくタスクにおいて適度な熟練度しか示さないことがわかった。
論文 参考訳（メタデータ） (2023-08-23T16:32:54Z) - 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) - How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。
我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
論文 参考訳（メタデータ） (2023-06-09T11:31:50Z) - 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)
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。