論文の概要: Who You Are Matters: Bridging Topics and Social Roles via LLM-Enhanced Logical Recommendation

• arxiv url: http://arxiv.org/abs/2505.10940v2
• Date: Tue, 20 May 2025 06:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 12:33:37.388023
• Title: Who You Are Matters: Bridging Topics and Social Roles via LLM-Enhanced Logical Recommendation
• Title（参考訳）: 誰が重要か: LLM強化論理的勧告によるトピックと社会的役割のブリッジ
• Authors: Qing Yu, Xiaobei Wang, Shuchang Liu, Yandong Bai, Xiaoyu Yang, Xueliang Wang, Chang Meng, Shanshan Wu, Hailan Yang, Huihui Xiao, Xiang Li, Fan Yang, Xiaoqiang Feng, Lantao Hu, Han Li, Kun Gai, Lixin Zou,
• Abstract要約: 本稿では,ユーザの役割特定タスクと,ユーザの役割を明示的にモデル化することを目的とした行動論理モデリングタスクを紹介する。 本稿では,これらの課題を,大規模言語モデルとレコメンデーションシステムの効率的な統合フレームワークを通じて,明示的に解決可能であることを示す。 本稿では,現実的なタグベースの仮想論理グラフを抽出する(マルチモーダル)LLMの世界知識と論理推論能力を利用するTagCFを提案する。
• 参考スコア（独自算出の注目度）: 26.412542838206942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems filter contents/items valuable to users by inferring preferences from user features and historical behaviors. Mainstream approaches follow the learning-to-rank paradigm, which focus on discovering and modeling item topics (e.g., categories), and capturing user preferences on these topics based on historical interactions. However, this paradigm often neglects the modeling of user characteristics and their social roles, which are logical confounders influencing the correlated interest and user preference transition. To bridge this gap, we introduce the user role identification task and the behavioral logic modeling task that aim to explicitly model user roles and learn the logical relations between item topics and user social roles. We show that it is possible to explicitly solve these tasks through an efficient integration framework of Large Language Model (LLM) and recommendation systems, for which we propose TagCF. On the one hand, TagCF exploits the (Multi-modal) LLM's world knowledge and logic inference ability to extract realistic tag-based virtual logic graphs that reveal dynamic and expressive knowledge of users, refining our understanding of user behaviors. On the other hand, TagCF presents empirically effective integration modules that take advantage of the extracted tag-logic information, augmenting the recommendation performance. We conduct both online experiments and offline experiments with industrial and public datasets as verification of TagCF's effectiveness, and we empirically show that the user role modeling strategy is potentially a better choice than the modeling of item topics. Additionally, we provide evidence that the extracted logic graphs are empirically a general and transferable knowledge that can benefit a wide range of recommendation tasks.
• Abstract（参考訳）: リコメンダシステムは、ユーザの特徴や過去の行動から好みを推測することで、ユーザにとって価値のあるコンテンツやイテムをフィルタリングする。 メインストリームのアプローチは、アイテムトピック(カテゴリなど)を発見してモデル化し、過去のインタラクションに基づいてこれらのトピックに対するユーザの好みをキャプチャする、学習からランクへのパラダイムに従っている。 しかし、このパラダイムは、ユーザの特徴とその社会的役割のモデリングを無視することが多い。 このギャップを埋めるために、ユーザの役割特定タスクと、ユーザの役割を明示的にモデル化し、アイテムトピックとユーザソーシャルロールの論理的関係を学習することを目的とした行動論理モデリングタスクを導入する。 本稿では,Large Language Model (LLM) とレコメンデーションシステムの効率的な統合フレームワークを用いて,これらのタスクを明示的に解決できることを示し,TagCFを提案する。 一方、TagCFは(Multi-modal) LLMの世界知識と論理推論能力を利用して、リアルなタグベースの仮想論理グラフを抽出し、ユーザの動的かつ表現力のある知識を明らかにし、ユーザの振る舞いに対する理解を洗練します。 一方,TagCFでは,抽出したタグ-論理情報を利用した経験的有効統合モジュールを提示し,レコメンデーション性能を向上する。 我々は,TagCFの有効性の検証として,産業用および公共用データセットを用いたオンライン実験とオフライン実験の両方を行い,ユーザロールモデリング戦略が項目トピックのモデリングよりも優れた選択肢であることを実証的に示す。 さらに,抽出した論理グラフは,幅広い推薦作業に役立てる汎用的かつ伝達可能な知識であることを示す。

関連論文リスト

• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Causal Structure Representation Learning of Confounders in Latent Space for Recommendation [29.116042992171987]
  ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。 我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
  論文  参考訳（メタデータ） (2023-11-02T08:46:07Z)
• Explainable Active Learning for Preference Elicitation [0.0]
  我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。 ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。 ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
  論文  参考訳（メタデータ） (2023-09-01T09:22:33Z)
• COLA: Improving Conversational Recommender Systems by Collaborative Augmentation [9.99763097964222]
  アイテム表現学習とユーザ嗜好モデリングの両方を改善するために,協調的拡張(COLA)手法を提案する。 すべての会話から対話型ユーザテムグラフを構築し,ユーザ認識情報によってアイテム表現を拡大する。 ユーザの嗜好モデルを改善するため,学習コーパスから類似した会話を検索し,ユーザの興味を反映した関連項目や属性を用いてユーザ表現を増強する。
  論文  参考訳（メタデータ） (2022-12-15T12:37:28Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)

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。