論文の概要: RecCoT: Enhancing Recommendation via Chain-of-Thought

• arxiv url: http://arxiv.org/abs/2506.21032v1
• Date: Thu, 26 Jun 2025 06:14:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.995397
• Title: RecCoT: Enhancing Recommendation via Chain-of-Thought
• Title（参考訳）: RecCoT:Chain-of-Thoughtによるレコメンデーション強化
• Authors: Shuo Yang, Jiangxia Cao, Haipeng Li, Yuqi Mao, Shuchao Pang,
• Abstract要約: 現代のレコメンデーションシステムは、暗黙のフィードバック信号からユーザとイテムの協調信号を学習する。 RecSysは、ユーザーがなぜ特定のアイテムを好まないかを理解するのに苦労する。 これらの手法の多くはレビューのレーティングの予測に重点を置いているが、人間には理解できない説明を与えていない。
• 参考スコア（独自算出の注目度）: 8.498363104906904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world applications, users always interact with items in multiple aspects, such as through implicit binary feedback (e.g., clicks, dislikes, long views) and explicit feedback (e.g., comments, reviews). Modern recommendation systems (RecSys) learn user-item collaborative signals from these implicit feedback signals as a large-scale binary data-streaming, subsequently recommending other highly similar items based on users' personalized historical interactions. However, from this collaborative-connection perspective, the RecSys does not focus on the actual content of the items themselves but instead prioritizes higher-probability signals of behavioral co-occurrence among items. Consequently, under this binary learning paradigm, the RecSys struggles to understand why a user likes or dislikes certain items. To alleviate it, some works attempt to utilize the content-based reviews to capture the semantic knowledge to enhance recommender models. However, most of these methods focus on predicting the ratings of reviews, but do not provide a human-understandable explanation.
• Abstract（参考訳）: 現実世界のアプリケーションでは、ユーザは暗黙のバイナリフィードバック(例えば、クリック、嫌悪、長いビュー)や明示的なフィードバック(例えば、コメント、レビュー)を通じて、複数の面でアイテムと対話する。 現代のレコメンデーションシステム(RecSys)は、これらの暗黙のフィードバック信号から大規模なバイナリデータストリーミングとしてユーザとイテムの協調信号を学習し、その後、ユーザのパーソナライズされた歴史的なインタラクションに基づいて、他の非常に類似したアイテムを推薦する。 しかし、この協調接続の観点からは、RecSysはアイテム自体の実際の内容ではなく、アイテム間の行動共起の確率の高いシグナルを優先する。 その結果、このバイナリ学習パラダイムの下では、RecSysはユーザがなぜ特定のアイテムを好まないのか、嫌いなのかを理解するのに苦労する。 これを軽減するために、コンテンツベースのレビューを活用してセマンティック知識を捉え、レコメンダモデルを強化しようとする研究もある。 しかし、これらの手法の多くはレビューのレーティングの予測に重点を置いているが、人間には理解できない説明を与えていない。

関連論文リスト

• A Contrastive Framework with User, Item and Review Alignment for Recommendation [25.76462243743591]
  レビュー中心のレコメンデーションのためのコントラストアライメントフレームワーク(ReCAFR)を紹介する。 ReCAFRは、レビューをコア学習プロセスに組み込んで、ユーザ、アイテム、レビュー表現の整合性を確保する。 具体的には、レビューベースの拡張を利用した2つの自己監督型コントラスト戦略を活用して、スパシティを緩和する。
  論文  参考訳（メタデータ） (2025-01-21T08:21:45Z)
• Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
  実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。 参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。 この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T07:36:08Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
  本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。 個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。 3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-05-09T10:38:36Z)
• Positive, Negative and Neutral: Modeling Implicit Feedback in Session-based News Recommendation [13.905580921329717]
  本稿では,肯定的なフィードバックと否定的なフィードバックを通じて,ユーザの振る舞いをモデル化する包括的フレームワークを提案する。 フレームワークは、セッション開始時間と、最初の公開時間を使った記事を使って、暗黙的にユーザーをモデル化する。 3つの実世界のニュースデータセットに対する実証的な評価は、フレームワークの有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2022-05-12T12:47:06Z)
• Learning Robust Recommender from Noisy Implicit Feedback [140.7090392887355]
  我々はAdaptive Denoising Training(ADT)という新しいトレーニング戦略を提案する。 ADTは2つのパラダイム(Trncated LossとReweighted Loss)によるノイズ相互作用を適応的に引き起こす 我々は、追加のフィードバック(例えば、評価)を補助信号とみなし、追加のフィードバックをADTに組み込むための3つの戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-02T12:12:02Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)

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。