論文の概要: LettinGo: Explore User Profile Generation for Recommendation System

• arxiv url: http://arxiv.org/abs/2506.18309v1
• Date: Mon, 23 Jun 2025 05:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.87
• Title: LettinGo: Explore User Profile Generation for Recommendation System
• Title（参考訳）: LettinGo:レコメンデーションシステムのためのユーザプロファイル生成
• Authors: Lu Wang, Di Zhang, Fangkai Yang, Pu Zhao, Jianfeng Liu, Yuefeng Zhan, Hao Sun, Qingwei Lin, Weiwei Deng, Dongmei Zhang, Feng Sun, Qi Zhang,
• Abstract要約: 本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。 我々のフレームワークは、推奨精度、柔軟性、文脈認識を著しく向上させます。
• 参考スコア（独自算出の注目度）: 45.40232561275015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User profiling is pivotal for recommendation systems, as it transforms raw user interaction data into concise and structured representations that drive personalized recommendations. While traditional embedding-based profiles lack interpretability and adaptability, recent advances with large language models (LLMs) enable text-based profiles that are semantically richer and more transparent. However, existing methods often adhere to fixed formats that limit their ability to capture the full diversity of user behaviors. In this paper, we introduce LettinGo, a novel framework for generating diverse and adaptive user profiles. By leveraging the expressive power of LLMs and incorporating direct feedback from downstream recommendation tasks, our approach avoids the rigid constraints imposed by supervised fine-tuning (SFT). Instead, we employ Direct Preference Optimization (DPO) to align the profile generator with task-specific performance, ensuring that the profiles remain adaptive and effective. LettinGo operates in three stages: (1) exploring diverse user profiles via multiple LLMs, (2) evaluating profile quality based on their impact in recommendation systems, and (3) aligning the profile generation through pairwise preference data derived from task performance. Experimental results demonstrate that our framework significantly enhances recommendation accuracy, flexibility, and contextual awareness. This work enhances profile generation as a key innovation for next-generation recommendation systems.
• Abstract（参考訳）: ユーザープロファイリングはレコメンデーションシステムにとって重要な要素であり、生のユーザーインタラクションデータをパーソナライズされたレコメンデーションを駆動する簡潔で構造化された表現に変換する。 従来の埋め込みベースのプロファイルには解釈性と適応性がないが、大規模言語モデル(LLM)による最近の進歩は、意味的にリッチで透過的なテキストベースのプロファイルを可能にする。 しかしながら、既存のメソッドは、ユーザ動作の完全な多様性をキャプチャする能力を制限する固定フォーマットに固執することが多い。 本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。 提案手法は,LLMの表現力を活用し,下流レコメンデーションタスクからの直接的なフィードバックを取り入れることで,教師付き微調整(SFT)による厳密な制約を回避する。 代わりに、プロファイルジェネレータをタスク固有のパフォーマンスと整合させ、プロファイルが適応的かつ効果的であることを保証するために、DPO(Direct Preference Optimization)を用いる。 レチンゴは、(1)複数のLDMを通して多様なユーザープロファイルを探索し、(2)レコメンデーションシステムにおける影響に基づいてプロファイル品質を評価し、(3)タスクのパフォーマンスから得られるペアワイズ選好データを通してプロファイル生成を調整する。 実験の結果,提案フレームワークは推奨精度,柔軟性,文脈認識を著しく向上させることがわかった。 この研究は、次世代レコメンデーションシステムにおける重要な革新としてプロファイル生成を強化する。

関連論文リスト

• PersonaX: A Recommendation Agent Oriented User Modeling Framework for Long Behavior Sequence [8.557534799079956]
  PersonaX はエージェントに依存しない LLM-UM フレームワークであり、これらの課題に対処する。 より優れたレコメンデーションパフォーマンスと推論効率を達成するために、下流のレコメンデーションエージェントを拡張する。
  論文  参考訳（メタデータ） (2025-03-04T08:41:40Z)
• LLM-based User Profile Management for Recommender System [15.854727020186408]
  PUREは、ユーザレビューから重要な情報を体系的に抽出し、要約することによって、進化するユーザプロファイルを構築し、維持する。 我々は、レビューを時間とともに追加し、予測を漸進的に更新することで、現実のシナリオを反映した連続的なレコメンデーションタスクを導入する。 Amazonデータセットに対する実験結果から、PUREは既存のLCMベースの手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-20T13:20:19Z)
• User Profile with Large Language Models: Construction, Updating, and Benchmarking [0.3350491650545292]
  高品質なオープンソースユーザプロファイルデータセットを2つ提示する。 これらのデータセットは、ユーザープロファイルモデリング技術を評価するための強力な基盤を提供する。 プロファイル構築と更新の両方に対処するために,大規模言語モデルを用いた方法論を示す。
  論文  参考訳（メタデータ） (2025-02-15T03:57:52Z)
• Prompt Tuning as User Inherent Profile Inference Machine [53.78398656789463]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 プロファイル量子化コードブックは、プロファイル埋め込みによるモダリティギャップを協調IDにブリッジする。 4つの公開データセットの実験では、UserIP-Tuningは最先端のレコメンデーションアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)

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。