論文の概要: Multi-Objective Recommendation in the Era of Generative AI: A Survey of Recent Progress and Future Prospects

• arxiv url: http://arxiv.org/abs/2506.16893v1
• Date: Fri, 20 Jun 2025 10:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.409958
• Title: Multi-Objective Recommendation in the Era of Generative AI: A Survey of Recent Progress and Future Prospects
• Title（参考訳）: 生成AI時代の多目的レコメンデーション:最近の進歩と今後の展望
• Authors: Zihan Hong, Yushi Wu, Zhiting Zhao, Shanshan Feng, Jianghong Ma, Jiao Liu, Tianjun Wei,
• Abstract要約: 生成AIは、コンテンツ生成、データ合成、パーソナライズされたエクスペリエンスを可能にする。 生成AIは、データの分散性の問題に対処し、レコメンデーションシステム全体のパフォーマンスを改善するのに役立つ。 生成的AI技術に基づく多目的レコメンデーションシステムに関する総合的な研究はいまだ残っていない。
• 参考スコア（独自算出の注目度）: 11.092520571626732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the recent progress in generative artificial intelligence (Generative AI), particularly in the development of large language models, recommendation systems are evolving to become more versatile. Unlike traditional techniques, generative AI not only learns patterns and representations from complex data but also enables content generation, data synthesis, and personalized experiences. This generative capability plays a crucial role in the field of recommendation systems, helping to address the issue of data sparsity and improving the overall performance of recommendation systems. Numerous studies on generative AI have already emerged in the field of recommendation systems. Meanwhile, the current requirements for recommendation systems have surpassed the single utility of accuracy, leading to a proliferation of multi-objective research that considers various goals in recommendation systems. However, to the best of our knowledge, there remains a lack of comprehensive studies on multi-objective recommendation systems based on generative AI technologies, leaving a significant gap in the literature. Therefore, we investigate the existing research on multi-objective recommendation systems involving generative AI to bridge this gap. We compile current research on multi-objective recommendation systems based on generative techniques, categorizing them by objectives. Additionally, we summarize relevant evaluation metrics and commonly used datasets, concluding with an analysis of the challenges and future directions in this domain.
• Abstract（参考訳）: 近年のジェネレーティブ人工知能(ジェネレーティブAI)の進歩、特に大規模言語モデルの開発により、レコメンデーションシステムはより汎用的になるよう進化している。 従来の技術とは異なり、生成AIは複雑なデータからパターンや表現を学ぶだけでなく、コンテンツ生成、データ合成、パーソナライズされたエクスペリエンスも可能にします。 この生成能力はレコメンデーションシステムにおいて重要な役割を担い、データの分散性の問題に対処し、レコメンデーションシステムの全体的な性能を改善するのに役立ちます。 生成AIに関する多くの研究が、すでにレコメンデーションシステム分野に現れている。 一方、現在のレコメンデーションシステムの要件は、単一の精度のユーティリティを超えており、レコメンデーションシステムにおける様々な目標を考慮した多目的研究の急増につながっている。 しかし、私たちの知る限りでは、生成的AI技術に基づく多目的レコメンデーションシステムに関する包括的な研究は依然として欠如しており、文献にかなりのギャップが残されている。 そこで本研究では,このギャップを埋めるために生成AIを含む多目的レコメンデーションシステムについて検討する。 我々は,多目的レコメンデーションシステムに関する現在の研究を,生成技術に基づいてコンパイルし,目的別に分類する。 さらに、関連する評価指標と一般的に使用されるデータセットを要約し、この領域における課題と今後の方向性について分析する。

関連論文リスト

• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• A Survey on Knowledge-Oriented Retrieval-Augmented Generation [45.65542434522205]
  近年,RAG (Retrieval-Augmented Generation) が注目されている。 RAGは大規模検索システムと生成モデルを組み合わせる。 動的外部知識を用いた生成モデルの強化など,RAGの重要な特徴について論じる。
  論文  参考訳（メタデータ） (2025-03-11T01:59:35Z)
• 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)
• A Retrieval-Augmented Generation Framework for Academic Literature Navigation in Data Science [2.5398014196797614]
  本稿では、データサイエンティストが正確な文脈に関連のある学術リソースにアクセスするのを支援するために設計された人工知能(AI)ベースの拡張検索・拡張生成アプリケーションを提案する。 このAIを利用したアプリケーションは、情報抽出のための書誌データ生成(GROBID)技術を含む高度な技術を統合している。 Retrieval-Augmented Generation Assessment System (RAGAS) フレームワークを用いた総合評価では,重要な指標の大幅な改善が示されている。
  論文  参考訳（メタデータ） (2024-12-19T21:14:54Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• 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)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• 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。