論文の概要: A Survey on Large Language Models in Multimodal Recommender Systems

• arxiv url: http://arxiv.org/abs/2505.09777v1
• Date: Wed, 14 May 2025 20:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.097951
• Title: A Survey on Large Language Models in Multimodal Recommender Systems
• Title（参考訳）: マルチモーダルレコメンダシステムにおける大規模言語モデルの検討
• Authors: Alejo Lopez-Avila, Jinhua Du,
• Abstract要約: マルチモーダルレコメンデータシステム(MRS)は、テキスト、画像、構造化情報などの異種ユーザやアイテムデータを統合し、レコメンデーション性能を高める。 大規模言語モデル(LLM)の出現は、意味論的推論、文脈内学習、動的入力処理を可能にすることで、MSSに新たな機会をもたらす。
• 参考スコア（独自算出の注目度）: 1.55768790532133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal recommender systems (MRS) integrate heterogeneous user and item data, such as text, images, and structured information, to enhance recommendation performance. The emergence of large language models (LLMs) introduces new opportunities for MRS by enabling semantic reasoning, in-context learning, and dynamic input handling. Compared to earlier pre-trained language models (PLMs), LLMs offer greater flexibility and generalisation capabilities but also introduce challenges related to scalability and model accessibility. This survey presents a comprehensive review of recent work at the intersection of LLMs and MRS, focusing on prompting strategies, fine-tuning methods, and data adaptation techniques. We propose a novel taxonomy to characterise integration patterns, identify transferable techniques from related recommendation domains, provide an overview of evaluation metrics and datasets, and point to possible future directions. We aim to clarify the emerging role of LLMs in multimodal recommendation and support future research in this rapidly evolving field.
• Abstract（参考訳）: マルチモーダルレコメンデータシステム(MRS)は、テキスト、画像、構造化情報などの異種ユーザやアイテムデータを統合し、レコメンデーション性能を高める。 大規模言語モデル(LLM)の出現は、意味論的推論、文脈内学習、動的入力処理を可能にすることで、MSSに新たな機会をもたらす。 以前の訓練済み言語モデル(PLM)と比較すると、LLMは柔軟性と汎用性を提供するが、スケーラビリティやモデルのアクセシビリティに関する課題も導入している。 本稿では, LLM と MRS の交差点における最近の研究を概観し, ストラテジー, 微調整方法, データ適応技術に焦点をあてる。 本稿では,統合パターンの特徴付け,関連するレコメンデーションドメインからの転送可能なテクニックの特定,評価指標とデータセットの概要,将来的な方向性を示すための新たな分類法を提案する。 我々は,マルチモーダルレコメンデーションにおけるLLMの役割を明らかにするとともに,この急速に発展する分野における今後の研究を支援することを目的とする。

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)
• RA-BLIP: Multimodal Adaptive Retrieval-Augmented Bootstrapping Language-Image Pre-training [55.54020926284334]
  近年,MLLM (Multimodal Large Language Models) が注目されている。 検索拡張技術はLLMとMLLMの両方に有効なプラグインであることが証明されている。 本研究では,MLLMの新しい検索支援フレームワークであるRA-BLIP(Retrieval-Augmented Bootstrapping Language-Image Pre-training)を提案する。
  論文  参考訳（メタデータ） (2024-10-18T03:45:19Z)
• Harnessing Multimodal Large Language Models for Multimodal Sequential Recommendation [21.281471662696372]
  本稿では,MLLM-MSRモデルを提案する。 動的ユーザの嗜好を捉えるために,2段階のユーザ選好要約法を設計する。 次に、ユーザ嗜好の動的変化を捉えるために、繰り返しユーザー嗜好要約生成パラダイムを用いる。
  論文  参考訳（メタデータ） (2024-08-19T04:44:32Z)
• 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)
• Model Composition for Multimodal Large Language Models [71.5729418523411]
  本稿では,既存のMLLMのモデル構成による新しいパラダイムを提案する。 我々の基本的な実装であるNaiveMCは、モダリティエンコーダを再利用し、LLMパラメータをマージすることで、このパラダイムの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-20T06:38:10Z)
• Tapping the Potential of Large Language Models as Recommender Systems: A Comprehensive Framework and Empirical Analysis [91.5632751731927]
  ChatGPTのような大規模言語モデルは、一般的なタスクを解く際、顕著な能力を示した。 本稿では,レコメンデーションタスクにおけるLLMの活用のための汎用フレームワークを提案し,レコメンデーションタスクとしてのLLMの機能に着目した。 提案手法は,提案手法が推薦結果に与える影響を解析し,提案手法とモデルアーキテクチャ,パラメータスケール,コンテキスト長について検討する。
  論文  参考訳（メタデータ） (2024-01-10T08:28:56Z)
• Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations [0.0]
  大規模言語モデル(LLM)は、明示的なフィードバックベースのレコメンデータシステムで遭遇する少数のシナリオに対処するための、新たな洞察を提供する。 我々の研究は、LLMがレコメンデーターシステムに関わっていることの多面的側面を深く掘り下げるために、研究者に刺激を与えることができる。
  論文  参考訳（メタデータ） (2023-12-21T03:50:09Z)
• A Survey on Large Language Models for Personalized and Explainable Recommendations [0.3108011671896571]
  この調査は、Recommender Systemsが大規模言語モデルからどのような恩恵を受けられるかを分析することを目的としている。 本稿では, 冷間開始問題, 不公平性, バイアス問題であるPEGタスクの課題について述べる。
  論文  参考訳（メタデータ） (2023-11-21T04:14:09Z)
• 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)
• 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。