論文の概要: A Survey of Foundation Model-Powered Recommender Systems: From Feature-Based, Generative to Agentic Paradigms
- arxiv url: http://arxiv.org/abs/2504.16420v1
- Date: Wed, 23 Apr 2025 05:02:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.003335
- Title: A Survey of Foundation Model-Powered Recommender Systems: From Feature-Based, Generative to Agentic Paradigms
- Title（参考訳）: 基礎モデル駆動型レコメンダシステムに関する調査研究:特徴ベース・ジェネレーティブ・パラダイムからエージェント・パラダイムへ
- Authors: Chengkai Huang, Hongtao Huang, Tong Yu, Kaige Xie, Junda Wu, Shuai Zhang, Julian Mcauley, Dietmar Jannach, Lina Yao,
- Abstract要約: この調査は、FM4RecSys(Fundation Models for Recommender Systems)の概要を提供する。
まず、従来の明示的あるいは暗黙的なフィードバックからマルチモーダルコンテンツソースまで、RSのデータ基盤についてレビューする。
次に、FMとその表現学習能力、自然言語理解、マルチモーダル推論をRSコンテキストで導入する。
- 参考スコア（独自算出の注目度）: 36.88050794621219
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recommender systems (RS) have become essential in filtering information and personalizing content for users. RS techniques have traditionally relied on modeling interactions between users and items as well as the features of content using models specific to each task. The emergence of foundation models (FMs), large scale models trained on vast amounts of data such as GPT, LLaMA and CLIP, is reshaping the recommendation paradigm. This survey provides a comprehensive overview of the Foundation Models for Recommender Systems (FM4RecSys), covering their integration in three paradigms: (1) Feature-Based augmentation of representations, (2) Generative recommendation approaches, and (3) Agentic interactive systems. We first review the data foundations of RS, from traditional explicit or implicit feedback to multimodal content sources. We then introduce FMs and their capabilities for representation learning, natural language understanding, and multi-modal reasoning in RS contexts. The core of the survey discusses how FMs enhance RS under different paradigms. Afterward, we examine FM applications in various recommendation tasks. Through an analysis of recent research, we highlight key opportunities that have been realized as well as challenges encountered. Finally, we outline open research directions and technical challenges for next-generation FM4RecSys. This survey not only reviews the state-of-the-art methods but also provides a critical analysis of the trade-offs among the feature-based, the generative, and the agentic paradigms, outlining key open issues and future research directions.
- Abstract（参考訳）: 情報フィルタリングやコンテンツのパーソナライズには,レコメンダシステム(RS)が不可欠である。
RS技術は伝統的に、ユーザとアイテム間のインタラクションのモデリングと、各タスク固有のモデルを使用してコンテンツの特徴に依存してきた。
GPT、LLaMA、CLIPといった膨大なデータに基づいてトレーニングされた大規模モデルであるファンデーションモデル(FM)の出現は、推奨パラダイムを再構築している。
本調査は,(1)表現の特質に基づく拡張,(2)生成的推薦,(3)エージェント対話システム,の3つのパラダイムの統合を網羅した,FM4RecSys(Foundation Models for Recommender Systems)の概要を概説する。
まず、従来の明示的あるいは暗黙的なフィードバックからマルチモーダルコンテンツソースまで、RSのデータ基盤についてレビューする。
次に、FMとその表現学習能力、自然言語理解、マルチモーダル推論をRSコンテキストで導入する。
調査のコアは、FMが異なるパラダイムの下でRSをどのように強化するかを論じている。
その後、様々な推薦タスクにおけるFMアプリケーションについて検討する。
最近の研究の分析を通じて、我々は実現された主要な機会と、遭遇した課題を強調した。
最後に,次世代FM4RecSysの研究の方向性と技術的課題について概説する。
この調査は、最先端の手法をレビューするだけでなく、特徴ベース、生成的、エージェント的パラダイム間のトレードオフを批判的に分析し、重要なオープン問題と今後の研究方向性を概説する。
関連論文リスト
- A Comprehensive Survey of Reward Models: Taxonomy, Applications, Challenges, and Future [26.99066977066666]
Reward Model (RM) は、Large Language Models (LLM) を向上する驚くべき可能性を実証した。
我々は、関連する研究の概要を概観し、選好収集、報酬モデリング、利用の視点を探究する。
本稿では、初心者にRMの総合的な紹介を提供し、今後の研究を促進することを目的としている。
論文 参考訳（メタデータ） (2025-04-12T16:07:36Z) - A Survey on LLM-powered Agents for Recommender Systems [16.463945811669245]
大規模言語モデル(LLM)を利用したエージェントは、自然言語の相互作用と解釈可能な推論を可能にすることによって、有望なアプローチを提供する。
この調査は、レコメンデータシステムにおけるLSMを利用したエージェントの新たな応用の体系的なレビューを提供する。
論文 参考訳（メタデータ） (2025-02-14T09:57:07Z) - Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。
最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。
GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
論文 参考訳（メタデータ） (2025-02-12T12:13:51Z) - A Survey on Multimodal Recommender Systems: Recent Advances and Future Directions [16.652996189513658]
本稿では, マルチモーダルレコメンダシステムにおける最近の研究動向を概観する。
本稿では,既存のMSSモデルを特徴抽出,マルチモーダルフュージョン,ロス関数の4つの重要な領域に分類して紹介する。
より高度で効果的なマルチモーダルレコメンデータシステムの開発に貢献したいと考えています。
論文 参考訳（メタデータ） (2025-01-22T12:00:35Z) - Navigating the Future of Federated Recommendation Systems with Foundation Models [36.85043146335166]
Federated Recommendation Systems(FRS)は、データストレージの分散化による従来の集中型アプローチの代替として、プライバシ保護を提供する。
ファンデーションモデル(FM)の最近の進歩は、強力なクロスタスクの知識伝達を通じてこれらの問題を克服する機会を提供する。
FMにより強化されたフレームワークがクライアント側のパーソナライズ、通信効率、サーバ側のアグリゲーションを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2024-05-12T04:15:05Z) - Retrieval-Augmented Generation for Large Language Models: A Survey [17.82361213043507]
大きな言語モデル(LLM)には印象的な能力があるが、幻覚のような課題に直面している。
Retrieval-Augmented Generation (RAG) は,外部データベースからの知識を取り入れた,有望なソリューションとして登場した。
論文 参考訳（メタデータ） (2023-12-18T07:47:33Z) - 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) - Multimodal Recommender Systems: A Survey [50.23505070348051]
マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。
本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。
実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
論文 参考訳（メタデータ） (2023-02-08T05:12:54Z) - GAN-based Facial Attribute Manipulation [91.93085379356565]
本稿では,GANをベースとしたFAM手法の総合的な調査を行い,その主な動機と技術的詳細を要約する。
本調査の主な内容は, (i) FAMに関する研究背景と基礎概念の紹介, (ii) GANに基づくFAM手法の3つの主要なカテゴリにおける体系的レビュー, (iii) FAM手法の重要な性質に関する詳細な議論である。
論文 参考訳（メタデータ） (2022-10-23T09:49:08Z) - Exploring Neural Models for Query-Focused Summarization [74.41256438059256]
クエリ中心の要約(QFS)に対するニューラルネットワークの体系的な探索を行う。
本稿では,QMSumデータセットの最先端性能を最大3.38ROUGE-1,3.72ROUGE-2,3.28ROUGE-Lのマージンで達成する2つのモデル拡張を提案する。
論文 参考訳（メタデータ） (2021-12-14T18:33:29Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z)
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。