論文の概要: Enhancing Recommender Systems Using Textual Embeddings from Pre-trained Language Models

• arxiv url: http://arxiv.org/abs/2504.08746v1
• Date: Mon, 24 Mar 2025 09:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-20 06:33:23.691566
• Title: Enhancing Recommender Systems Using Textual Embeddings from Pre-trained Language Models
• Title（参考訳）: 事前学習言語モデルからのテキスト埋め込みを用いたレコメンダシステムの構築
• Authors: Ngoc Luyen Le, Marie-Hélène Abel,
• Abstract要約: 本稿では,事前学習した言語モデルからのテキスト埋め込みを用いたレコメンデータシステムの強化について検討する。 本実験は,提案手法が推奨精度と妥当性を著しく向上し,よりパーソナライズされ,コンテキスト対応のレコメンデーションが実現されることを実証した。
• 参考スコア（独自算出の注目度）: 2.3020018305241337
• License:
• Abstract: Recent advancements in language models and pre-trained language models like BERT and RoBERTa have revolutionized natural language processing, enabling a deeper understanding of human-like language. In this paper, we explore enhancing recommender systems using textual embeddings from pre-trained language models to address the limitations of traditional recommender systems that rely solely on explicit features from users, items, and user-item interactions. By transforming structured data into natural language representations, we generate high-dimensional embeddings that capture deeper semantic relationships between users, items, and contexts. Our experiments demonstrate that this approach significantly improves recommendation accuracy and relevance, resulting in more personalized and context-aware recommendations. The findings underscore the potential of PLMs to enhance the effectiveness of recommender systems.
• Abstract（参考訳）: BERTやRoBERTaのような言語モデルや事前訓練された言語モデルの最近の進歩は、自然言語処理に革命をもたらし、人間に似た言語をより深く理解することを可能にする。 本稿では,事前学習された言語モデルからのテキスト埋め込みを用いたレコメンデータシステムの強化を検討し,ユーザや項目,ユーザとイテムのインタラクションにのみ依存する従来のレコメンデータシステムの制限に対処する。 構造化されたデータを自然言語表現に変換することで、ユーザ、アイテム、コンテキスト間の深い意味関係をキャプチャする高次元の埋め込みを生成する。 本実験は,提案手法が推奨精度と妥当性を著しく向上し,よりパーソナライズされ,コンテキスト対応のレコメンデーションが実現されることを実証した。 本研究は, 推奨システムの有効性を高めるため, PLMの可能性を裏付けるものである。

関連論文リスト

• Align-SLM: Textless Spoken Language Models with Reinforcement Learning from AI Feedback [50.84142264245052]
  テキストレス音声言語モデル(SLM)のセマンティック理解を強化するためのAlign-SLMフレームワークを導入する。 提案手法は、与えられたプロンプトから複数の音声継続を生成し、意味的指標を用いて、直接選好最適化(DPO)のための選好データを生成する。 語彙および構文モデリングのためのZeroSpeech 2021ベンチマーク、意味的コヒーレンスのためのStoryClozeデータセットの音声バージョン、GPT4-oスコアや人間評価などの音声生成指標を用いて、フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-11-04T06:07:53Z)
• Language Representations Can be What Recommenders Need: Findings and Potentials [57.90679739598295]
  先進的なLM表現から線形にマッピングされた項目表現は、より優れたレコメンデーション性能が得られることを示す。 この結果は、先進言語表現空間と効果的な項目表現空間との同型性を示唆している。 本研究は,自然言語処理とリコメンデーションシステムコミュニティの両方に刺激を与える言語モデリングと行動モデリングの関連性を強調した。
  論文  参考訳（メタデータ） (2024-07-07T17:05:24Z)
• Emerging Synergies Between Large Language Models and Machine Learning in Ecommerce Recommendations [19.405233437533713]
  大規模言語モデル(LLM)は、言語理解と生成の基本的なタスクにおいて優れた機能を持つ。 機能エンコーダとしてLLMを用いたユーザとアイテムの表現を学習するための代表的なアプローチを提案する。 次に、協調フィルタリング強化レコメンデーションシステムのためのLLM技術の最新技術について概説した。
  論文  参考訳（メタデータ） (2024-03-05T08:31:00Z)
• Exploring the Impact of Large Language Models on Recommender Systems: An Extensive Review [2.780460221321639]
  本稿では,リフォームレコメンダシステムにおける大規模言語モデルの重要性について述べる。 LLMは、言葉の複雑な解釈において、その適応性を示す、アイテムを推薦するのに非常に熟練している。 トランスフォーメーションの可能性にもかかわらず、入力プロンプトに対する感受性、時には誤解釈、予期せぬ推奨など、課題は続いている。
  論文  参考訳（メタデータ） (2024-02-11T00:24:17Z)
• User Embedding Model for Personalized Language Prompting [9.472634942498859]
  自由形式のテキストでユーザ履歴を効率よく処理し,それを埋め込みとして表現する新しいユーザ埋め込みモジュール(UEM)を導入する。 本実験は, より長い歴史を扱う上で, このアプローチの優れた能力を示すものである。 この研究の主な貢献は、埋め込みとして表現されたユーザ信号で言語モデルをバイアスする能力を示すことである。
  論文  参考訳（メタデータ） (2024-01-10T00:35:52Z)
• Reformulating Sequential Recommendation: Learning Dynamic User Interest with Content-enriched Language Modeling [18.297332953450514]
  本稿では、事前学習した言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成するLANCERを提案する。 我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間的なレコメンデーションを生み出します。
  論文  参考訳（メタデータ） (2023-09-19T08:54:47Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• 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)
• 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)
• Chain of Hindsight Aligns Language Models with Feedback [62.68665658130472]
  我々は,その極性に関係なく,任意の形式のフィードバックから学習し,最適化が容易な新しい手法であるChain of Hindsightを提案する。 我々は、あらゆる種類のフィードバックを文のシーケンスに変換し、それをモデルを微調整するために使用する。 そうすることで、モデルはフィードバックに基づいて出力を生成するように訓練され、負の属性やエラーを特定し修正する。
  論文  参考訳（メタデータ） (2023-02-06T10:28:16Z)
• Finetuning Large-Scale Pre-trained Language Models for Conversational Recommendation with Knowledge Graph [35.033130888779226]
  RID会話推薦システム(CRS)と呼ばれる事前学習言語モデル(PLM)に基づくフレームワークを提案する。 RIDは、対話の評価とレコメンデーションの両方において最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2021-10-14T15:49:48Z)

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。