論文の概要: Hierarchical Tree Search-based User Lifelong Behavior Modeling on Large Language Model

• arxiv url: http://arxiv.org/abs/2505.19505v1
• Date: Mon, 26 May 2025 04:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.173565
• Title: Hierarchical Tree Search-based User Lifelong Behavior Modeling on Large Language Model
• Title（参考訳）: 階層木探索に基づく大規模言語モデルに基づくユーザ寿命行動モデリング
• Authors: Yu Xia, Rui Zhong, Hao Gu, Wei Yang, Chi Lu, Peng Jiang, Kun Gai,
• Abstract要約: 階層木探索に基づくユーザ寿命行動モデリングフレームワーク(HiT-LBM)を提案する。 HiT-LBMは、Chunked User Behavior extract (CUBE)とHierarchical Tree Search for Interest (HTS)を統合して、ユーザの多様な関心と関心の進化を捉える。 我々はまた、複数の行動チャンクから利益を統合するために、時間-水間関心融合(TIF)を設計し、ユーザー生涯の関心の包括的表現を構築した。
• 参考スコア（独自算出の注目度）: 20.79990807882704
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Models (LLMs) have garnered significant attention in Recommendation Systems (RS) due to their extensive world knowledge and robust reasoning capabilities. However, a critical challenge lies in enabling LLMs to effectively comprehend and extract insights from massive user behaviors. Current approaches that directly leverage LLMs for user interest learning face limitations in handling long sequential behaviors, effectively extracting interest, and applying interest in practical scenarios. To address these issues, we propose a Hierarchical Tree Search-based User Lifelong Behavior Modeling framework (HiT-LBM). HiT-LBM integrates Chunked User Behavior Extraction (CUBE) and Hierarchical Tree Search for Interest (HTS) to capture diverse interests and interest evolution of user. CUBE divides user lifelong behaviors into multiple chunks and learns the interest and interest evolution within each chunk in a cascading manner. HTS generates candidate interests through hierarchical expansion and searches for the optimal interest with process rating model to ensure information gain for each behavior chunk. Additionally, we design Temporal-Ware Interest Fusion (TIF) to integrate interests from multiple behavior chunks, constructing a comprehensive representation of user lifelong interests. The representation can be embedded into any recommendation model to enhance performance. Extensive experiments demonstrate the effectiveness of our approach, showing that it surpasses state-of-the-art methods.
• Abstract（参考訳）: LLM(Large Language Models)は、世界的知識と堅牢な推論能力により、レコメンデーションシステム(Recommendation Systems, RS)において大きな注目を集めている。 しかし、重要な課題は、LLMが巨大なユーザの行動から洞察を効果的に理解し、抽出できるようにすることである。 ユーザ関心の学習にLLMを直接活用する現在のアプローチは、長いシーケンシャルな振る舞いの処理、効果的に関心の抽出、実践シナリオへの関心の適用において制限に直面している。 これらの問題に対処するため、階層木探索に基づくユーザ寿命行動モデリングフレームワーク(HiT-LBM)を提案する。 HiT-LBMは、Chunked User Behavior extract (CUBE)とHierarchical Tree Search for Interest (HTS)を統合して、ユーザの多様な関心と関心の進化を捉える。 CUBEは、ユーザ寿命の振る舞いを複数のチャンクに分割し、各チャンク内の関心と関心の進化をカスケード的に学習する。 HTSは階層的な拡張を通じて候補的興味を生み出し、プロセス評価モデルを用いて最適な関心を探索し、各行動チャンクの情報を確実に獲得する。 さらに,複数の動作チャンクから利害関係を統合するため,時間-水-利害融合(TIF)を設計し,ユーザ生涯の利害関係の包括的表現を構築した。 この表現は、パフォーマンスを高めるために、どんなレコメンデーションモデルにも組み込むことができる。 大規模な実験により,最先端の手法を超越したアプローチの有効性が示された。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• 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)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)

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。