Fugu-MT 論文翻訳(概要): Towards LLM-Enhanced Group Recommender Systems

論文の概要: Towards LLM-Enhanced Group Recommender Systems

arxiv url: http://arxiv.org/abs/2507.19283v1
Date: Fri, 25 Jul 2025 13:59:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-28 16:16:48.982164
Title: Towards LLM-Enhanced Group Recommender Systems
Title（参考訳）: LLM強化型グループレコメンダシステムに向けて
Authors: Sebastian Lubos, Alexander Felfernig, Thi Ngoc Trang Tran, Viet-Man Le, Damian Garber, Manuel Henrich, Reinhard Willfort, Jeremias Fuchs,
Abstract要約: グループレコメンデーションシステムは、グループレコメンデーションの生成と説明のために設計されている。本稿では,大規模言語モデル(LLM)がこれらの側面をサポートする方法を分析する。
参考スコア（独自算出の注目度）: 39.08078205630303
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In contrast to single-user recommender systems, group recommender systems are designed to generate and explain recommendations for groups. This group-oriented setting introduces additional complexities, as several factors - absent in individual contexts - must be addressed. These include understanding group dynamics (e.g., social dependencies within the group), defining effective decision-making processes, ensuring that recommendations are suitable for all group members, and providing group-level explanations as well as explanations for individual users. In this paper, we analyze in which way large language models (LLMs) can support these aspects and help to increase the overall decision support quality and applicability of group recommender systems.
Abstract（参考訳）: 単一ユーザ推薦システムとは対照的に、グループ推薦システムはグループ推薦システムの生成と説明のために設計されている。このグループ指向の設定は、いくつかの要因(個々のコンテキストにはない)に対処する必要があるため、追加の複雑さを導入します。これには、グループダイナミクス(例えば、グループ内の社会的依存関係)の理解、効果的な意思決定プロセスの定義、すべてのグループメンバーに適したレコメンデーションの確保、グループレベルの説明と個々のユーザへの説明が含まれる。本稿では,大規模言語モデル(LLM)がこれらの側面をサポートする方法を分析し,グループレコメンデータシステムの全体的な品質と適用性の向上に寄与する。

関連論文リスト

Rethinking Group Recommender Systems in the Era of Generative AI: From One-Shot Recommendations to Agentic Group Decision Support [8.7111059833539]
我々は、人間のグループメンバーがチャットで対話するグループレコメンデーションシステムと、AIベースのグループレコメンデーションエージェントがエージェント的な方法で意思決定プロセスを支援することを想定する。最終的に、これはより自然なグループ意思決定環境につながり、最終的に、実際にグループレコメンデーションシステムがより広く採用されることになる。
論文参考訳（メタデータ） (2025-07-01T07:56:37Z)
From Individual to Group: Developing a Context-Aware Multi-Criteria Group Recommender System [2.3020018305241337]
本研究は、文脈対応多言語グループレコメンダシステム(CA-MCGRS)の開発について述べる。マルチヘッド・アテンション・メカニズムを活用することで、我々のモデルは異なる特徴の重要性を動的に評価する。様々な評価と文脈変数を持つ教育データセットで行った実験は、CA-MCGRSが他のアプローチよりも一貫して優れていることを示した。
論文参考訳（メタデータ） (2025-03-27T09:01:45Z)
Leveraging the Dynamics of Leadership in Group Recommendation Systems [0.11510009152620665]
グループレコメンデーションに新しいアプローチを導入し、特に共通の関心を共有する小グループに焦点をあてる。グループ内の関係と信頼のダイナミクスを強調するレコメンデーションアルゴリズムを提案する。この相互作用に焦点を当てたフレームワークは、最終的に推奨された選択によってグループ全体の満足度を高めることを目指している。
論文参考訳（メタデータ） (2025-03-17T07:16:22Z)
Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。次にReasoningを利用したRecommenderフレームワークを導入する。
論文参考訳（メタデータ） (2025-02-04T07:17:54Z)
Harnessing Large Language Models for Group POI Recommendations [41.83514903171133]
グループPOIレコメンデーションシステムは、複数のユーザの集団的嗜好を満たすことを目的としている。既存のアプローチは、2つの大きな課題に直面している。グループPOIレコメンデーションに大規模言語モデルを活用する新しいフレームワークであるLLMGPRを提案する。
論文参考訳（メタデータ） (2024-11-20T16:02:14Z)
GPRec: Bi-level User Modeling for Deep Recommenders [45.38687843911628]
GPRecは学習可能な方法でユーザをグループに分類し、それに対応するグループ埋め込みと整合させる。個人レベルでは、GPRecはIDのような特徴から個人の好みを識別し、得られた個人表現をグループから独立したものに洗練する。 3つの公開データセット上でのGPRecの厳格なテストでは、推奨品質が大幅に改善されている。
論文参考訳（メタデータ） (2024-10-28T04:49:05Z)
AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
論文参考訳（メタデータ） (2024-09-04T10:03:09Z)
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)
Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文参考訳（メタデータ） (2022-07-04T17:58:39Z)
Designing Explanations for Group Recommender Systems [0.0]
様々な理由でレコメンデーションシステムで説明が用いられる。レコメンダーシステムの開発者は、特定のアイテムを購入するようにユーザーに説得したいです。ユーザーは、レコメンダシステムがどのように機能し、なぜ特定のアイテムが推奨されたのかをよりよく理解する必要がある。
論文参考訳（メタデータ） (2021-02-24T17:05:39Z)
Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。