論文の概要: Using LLMs to Capture Users' Temporal Context for Recommendation
- arxiv url: http://arxiv.org/abs/2508.08512v1
- Date: Mon, 11 Aug 2025 22:48:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.249017
- Title: Using LLMs to Capture Users' Temporal Context for Recommendation
- Title（参考訳）: LLMを使ってユーザの時間的コンテキストをキャプチャしてレコメンデーションする
- Authors: Milad Sabouri, Masoud Mansoury, Kun Lin, Bamshad Mobasher,
- Abstract要約: 本稿では,Large Language Models (LLMs) を用いて,意味的にリッチでタイムアウェアなユーザプロファイルを生成する手法を提案する。
我々は、新しいエンドツーエンドレコメンデーションアーキテクチャを提案していないが、中核となる貢献は、LLMの有効性の程度を体系的に調査することである。
Movies&TV と Video Games のドメイン間での評価では、LLM の生成したプロファイルは意味的な深さと時間構造を提供するが、コンテキスト対応のレコメンデーションの有効性はユーザーインタラクション履歴の豊かさに特有である。
- 参考スコア（独自算出の注目度）: 3.719862246745416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective recommender systems demand dynamic user understanding, especially in complex, evolving environments. Traditional user profiling often fails to capture the nuanced, temporal contextual factors of user preferences, such as transient short-term interests and enduring long-term tastes. This paper presents an assessment of Large Language Models (LLMs) for generating semantically rich, time-aware user profiles. We do not propose a novel end-to-end recommendation architecture; instead, the core contribution is a systematic investigation into the degree of LLM effectiveness in capturing the dynamics of user context by disentangling short-term and long-term preferences. This approach, framing temporal preferences as dynamic user contexts for recommendations, adaptively fuses these distinct contextual components into comprehensive user embeddings. The evaluation across Movies&TV and Video Games domains suggests that while LLM-generated profiles offer semantic depth and temporal structure, their effectiveness for context-aware recommendations is notably contingent on the richness of user interaction histories. Significant gains are observed in dense domains (e.g., Movies&TV), whereas improvements are less pronounced in sparse environments (e.g., Video Games). This work highlights LLMs' nuanced potential in enhancing user profiling for adaptive, context-aware recommendations, emphasizing the critical role of dataset characteristics for practical applicability.
- Abstract（参考訳）: 効果的なレコメンデータシステムは、特に複雑で進化する環境において、動的なユーザー理解を必要とする。
従来のユーザプロファイリングは、一時的な短期的関心や長期的嗜好の持続といった、ユーザの嗜好の微妙で時間的な要因を捉えるのに失敗することが多い。
本稿では,Large Language Models (LLMs) を用いて,意味的にリッチでタイムアウェアなユーザプロファイルを生成する手法を提案する。
提案するエンド・ツー・エンド・エンド・レコメンデーションアーキテクチャは提案せず,短期的・長期的嗜好を解消してユーザ・コンテキストのダイナミクスを捉える上で,LLMの有効性の程度を体系的に調査するものである。
このアプローチは、時間的嗜好をレコメンデーションの動的なユーザコンテキストとしてフレーミングすることで、これらの異なるコンテキストコンポーネントを包括的ユーザ埋め込みに適応的に融合させる。
Movies&TV と Video Games のドメイン間での評価では、LCM の生成したプロファイルは意味的な深さと時間構造を提供するが、コンテキスト対応のレコメンデーションの有効性はユーザーインタラクション履歴の豊かさに特有である。
密集したドメイン(例:Movies&TV)では顕著な利得が見られ、一方、スパース環境(例:ビデオゲーム)では改善が顕著でない。
この研究は、適応的でコンテキスト対応のレコメンデーションのためにユーザープロファイリングを強化し、実用的な適用性のためにデータセット特性の重要な役割を強調したLLMのニュアンスドポテンシャルを強調している。
関連論文リスト
- Temporal User Profiling with LLMs: Balancing Short-Term and Long-Term Preferences for Recommendations [3.719862246745416]
本稿では,短期および長期の嗜好を明示的にモデル化するユーザプロファイリング手法を提案する。
LLM-TUPは、いくつかのベースラインに対して大幅に改善されている。
論文 参考訳（メタデータ） (2025-08-11T20:28:24Z) - DUALRec: A Hybrid Sequential and Language Model Framework for Context-Aware Movie Recommendation [6.850757447639822]
近年,Large Language Models (LLM) は,その強力な意味理解と推論能力によって徐々に注目を集めている。
本稿では、LSTMネットワークの時間的モデリング能力と、微調整された大言語モデルの意味的推論能力を組み合わせたRec(Dynamic User-Aware Language-based Recommender)を提案する。
論文 参考訳（メタデータ） (2025-07-18T14:22:05Z) - Counterfactual Tuning for Temporal Sensitivity Enhancement in Large Language Model-based Recommendation [8.798364656768657]
既存の大規模言語モデル(LLM)は、ユーザの過去のインタラクションシーケンスに固有の豊富な時間情報の活用に失敗する。
LLM-based Recommendation (CETRec) のための非現実的拡張時間フレームワークを提案する。
CETRecは因果推論の原則に基づいており、時間情報の特定の影響をレコメンデーション結果に分離し、測定することができる。
論文 参考訳（メタデータ） (2025-07-03T10:11:35Z) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。
我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
論文 参考訳（メタデータ） (2025-05-01T22:02:46Z) - Unveiling User Preferences: A Knowledge Graph and LLM-Driven Approach for Conversational Recommendation [55.5687800992432]
本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗化するプラグイン・アンド・プレイフレームワークを提案する。
これにより、LLMはKGエンティティを簡潔な自然言語記述に変換することができ、ドメイン固有の知識を理解できるようになる。
論文 参考訳（メタデータ） (2024-11-16T11:47:21Z) - Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。
階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。
その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
論文 参考訳（メタデータ） (2024-09-11T17:01:06Z) - Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。
様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。
我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
論文 参考訳（メタデータ） (2024-08-14T10:03:40Z) - Denoising User-aware Memory Network for Recommendation [11.145186013006375]
我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。
DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。
2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
論文 参考訳（メタデータ） (2021-07-12T14:39:36Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。