論文の概要: Function-based Labels for Complementary Recommendation: Definition, Annotation, and LLM-as-a-Judge

• arxiv url: http://arxiv.org/abs/2507.03945v1
• Date: Sat, 05 Jul 2025 08:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.951217
• Title: Function-based Labels for Complementary Recommendation: Definition, Annotation, and LLM-as-a-Judge
• Title（参考訳）: 補完的レコメンデーションのための関数ベースラベル:定義・アノテーション・LCM-as-a-Judge
• Authors: Chihiro Yamasaki, Kai Sugahara, Yuma Nagi, Kazushi Okamoto,
• Abstract要約: 補完的なレコメンデーションは、頻繁に購入されるアイテムを提案することによって、ユーザエクスペリエンスを高める。 2つの項目が相補関係を持つかどうかを推測または評価するには、相補関係ラベルが必要である。 本稿ではFBL(Function-Based Labels)について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Complementary recommendations enhance the user experience by suggesting items that are frequently purchased together while serving different functions from the query item. Inferring or evaluating whether two items have a complementary relationship requires complementary relationship labels; however, defining these labels is challenging because of the inherent ambiguity of such relationships. Complementary labels based on user historical behavior logs attempt to capture these relationships, but often produce inconsistent and unreliable results. Recent efforts have introduced large language models (LLMs) to infer these relationships. However, these approaches provide a binary classification without a nuanced understanding of complementary relationships. In this study, we address these challenges by introducing Function-Based Labels (FBLs), a novel definition of complementary relationships independent of user purchase logs and the opaque decision processes of LLMs. We constructed a human-annotated FBLs dataset comprising 2,759 item pairs and demonstrated that it covered possible item relationships and minimized ambiguity. We then evaluated whether some machine learning (ML) methods using annotated FBLs could accurately infer labels for unseen item pairs, and whether LLM-generated complementary labels align with human perception. Our results demonstrate that even with limited data, ML models, such as logistic regression and SVM achieve high macro-F1 scores (approximately 0.82). Furthermore, LLMs, such as gpt-4o-mini, demonstrated high consistency (0.989) and classification accuracy (0.849) under the detailed definition of FBLs, indicating their potential as effective annotators that mimic human judgment. Overall, our study presents FBLs as a clear definition of complementary relationships, enabling more accurate inferences and automated labeling of complementary recommendations.
• Abstract（参考訳）: 補完的なレコメンデーションは、クエリアイテムと異なる機能を提供しながら、頻繁に購入されるアイテムを提案することで、ユーザエクスペリエンスを高める。 2つの項目が相補的な関係を持つかどうかを推測または評価するには相補的な関係ラベルが必要であるが、そのような関係の固有のあいまいさのため、これらのラベルを定義することは困難である。 ユーザの履歴行動ログに基づく補完ラベルは、これらの関係を捉えようとするが、一貫性がなく信頼できない結果をもたらすことが多い。 近年,これらの関係を推測する大規模言語モデル (LLM) を導入している。 しかし、これらのアプローチは相補関係の微妙な理解なしに二項分類を提供する。 本研究では,ユーザの購入ログとLLMの不透明な決定プロセスに依存しない補完関係の新たな定義であるFBL(Function-Based Labels)を導入することで,これらの課題に対処する。 我々は,2,759個の項目対からなる人称注釈付きFBLデータセットを構築し,可能な項目関係を網羅し,あいまいさを最小化することを示した。 次に、注釈付きFBLを用いた機械学習(ML)手法が、未確認アイテムペアのラベルを正確に推測できるかどうか、LLM生成補完ラベルが人間の知覚に合致するかどうかを評価した。 その結果,ロジスティック回帰やSVMなどのMLモデルでは,限られたデータであっても高いマクロF1スコア(約0.82)が得られることがわかった。 さらに、gpt-4o-miniのようなLLMは、FBLの詳細な定義の下で高い一貫性(0.989)と分類精度(0.849)を示し、人間の判断を模倣する効果的なアノテータとしての可能性を示した。 本研究は、FBLを補完関係を明確に定義し、より正確な推論と補完レコメンデーションの自動ラベル付けを可能にした。

関連論文リスト

• Rethinking Label-specific Features for Label Distribution Learning [42.463322504410336]
  ラベル特化機能(LSF)は,各ラベルにクラスタリングベースのプロトタイプを活用することで,ラベルのあいまいさを伴うタスクの学習に有効であることが証明されている。 本稿では, ラベル-specifIc FeaTure with SAP (LDL-LIFT-SAP) を用いたラベル分散学習法を提案する。
  論文  参考訳（メタデータ） (2025-04-27T22:32:46Z)
• MMRel: A Relation Understanding Benchmark in the MLLM Era [72.95901753186227]
  MMRel(Multi-Modal Relation Understanding)は、オブジェクト間の関係に関する大規模で高品質で多様なデータを特徴付けるベンチマークである。 MMRelは、関係理解に基づくMLLMの評価や、関係理解能力を高めるための微調整MLLMに最適である。
  論文  参考訳（メタデータ） (2024-06-13T13:51:59Z)
• Synergistic Anchored Contrastive Pre-training for Few-Shot Relation Extraction [4.7220779071424985]
  Few-shot Relation extract (FSRE) は、ラベル付きコーパスのスパースセットから事実を抽出することを目的としている。 近年の研究では、事前学習言語モデルを用いたFSREの有望な結果が示されている。 本稿では,新しい相乗的アンカー付きコントラスト事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-19T10:16:24Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
  部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:37:28Z)
• Goodhart's Law Applies to NLP's Explanation Benchmarks [57.26445915212884]
  ERASER(Comprehensiveness and sufficiency)メトリクスとEVAL-X(EVAL-X)メトリクスの2つのセットを批判的に検討する。 実験結果の予測や説明を変えることなく,モデル全体の包括性と充足率を劇的に向上させることができることを示す。 我々の結果は、現在のメトリクスが説明可能性の研究をガイドする能力に疑問を呈し、これらのメトリクスが正確に捉えるものを再評価する必要性を強調します。
  論文  参考訳（メタデータ） (2023-08-28T03:03:03Z)
• Enhancing Label Sharing Efficiency in Complementary-Label Learning with Label Augmentation [92.4959898591397]
  学習中に近隣の事例における補完ラベルの暗黙的な共有を分析した。 相補的なラベル拡張による共有効率を向上させる新しい手法を提案する。 実験結果から,従来のCLLモデルよりも相補的ラベル拡張により経験的性能が向上することが確認された。
  論文  参考訳（メタデータ） (2023-05-15T04:43:14Z)
• Sentence-Level Relation Extraction via Contrastive Learning with Descriptive Relation Prompts [1.5736899098702974]
  本稿では、エンティティ情報、関係知識、エンティティタイプ制約を協調的に考慮する新しいパラダイムであるContrastive Learning with Descriptive Relation Prompts(CTL-)を提案する。 CTL-はTACREDで76.7%のF1スコアを獲得している。 新しい提案パラダイムは、最先端のパフォーマンスであるTACREVとRe-TACREDでそれぞれ85.8%と91.6%のF1スコアを達成する。
  論文  参考訳（メタデータ） (2023-04-11T02:15:13Z)

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。