論文の概要: Temporal-Aware User Behaviour Simulation with Large Language Models for Recommender Systems

• arxiv url: http://arxiv.org/abs/2509.16895v1
• Date: Sun, 21 Sep 2025 03:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 14:54:13.415992
• Title: Temporal-Aware User Behaviour Simulation with Large Language Models for Recommender Systems
• Title（参考訳）: リコメンダシステムのための大規模言語モデルを用いた時間的ユーザ行動シミュレーション
• Authors: Xinye Wanyan, Danula Hettiachchi, Chenglong Ma, Ziqi Xu, Jeffrey Chan,
• Abstract要約: 大きな言語モデル(LLM)は、言語理解、推論、生成において人間のような能力を示す。 既存のアプローチのほとんどは静的なユーザプロファイリングに依存しており、ユーザの関心事の時間的および動的な性質を無視している。 本研究では,Recommender Systems, DyTA4Recのための動的時間認識エージェントベースシミュレータを提案する。
• 参考スコア（独自算出の注目度）: 8.706093337738869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) demonstrate human-like capabilities in language understanding, reasoning, and generation, driving interest in using LLM-based agents to simulate human feedback in recommender systems. However, most existing approaches rely on static user profiling, neglecting the temporal and dynamic nature of user interests. This limitation stems from a disconnect between language modelling and behaviour modelling, which constrains the capacity of agents to represent sequential patterns. To address this challenge, we propose a Dynamic Temporal-aware Agent-based simulator for Recommender Systems, DyTA4Rec, which enables agents to model and utilise evolving user behaviour based on historical interactions. DyTA4Rec features a dynamic updater for real-time profile refinement, temporal-enhanced prompting for sequential context, and self-adaptive aggregation for coherent feedback. Experimental results at group and individual levels show that DyTA4Rec significantly improves the alignment between simulated and actual user behaviour by modelling dynamic characteristics and enhancing temporal awareness in LLM-based agents.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、言語理解、推論、生成において人間のような能力を示し、レコメンダシステムにおいて人間のフィードバックをシミュレートするためにLLMベースのエージェントを使うことに関心を惹きつける。 しかし、既存のアプローチのほとんどは静的なユーザープロファイリングに依存しており、ユーザー興味の時間的および動的性質を無視している。 この制限は、言語モデリングと振る舞いモデリングの切り離しに起因しており、シーケンシャルパターンを表現するためにエージェントの能力を制限する。 この課題に対処するため,Recommender Systems, DyTA4Rec用の動的テンポラル対応エージェントベースシミュレータを提案する。 DyTA4Recは、リアルタイムプロファイル改善のための動的更新器、シーケンシャルコンテキストのための時間拡張プロンプト、コヒーレントフィードバックのための自己適応アグリゲーションを備えている。 グループレベルと個人レベルの実験結果から,DyTA4Recは動的特性をモデル化し,LCMをベースとしたエージェントの時間的意識を高めることにより,シミュレーションと実際のユーザ行動の整合性を著しく改善することが示された。

関連論文リスト

• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Personas within Parameters: Fine-Tuning Small Language Models with Low-Rank Adapters to Mimic User Behaviors [1.8352113484137629]
  正確なレコメンデーションモデルを開発する上での長年の課題は、主にユーザインタラクションの複雑な性質のために、ユーザの振る舞いをシミュレートすることである。 本研究では, 凍結したLarge Language Models (LLMs) を用いてロバストなユーザ表現を抽出し, 微調整小言語モデル (SLMs) を用いたコスト効率, 資源効率のよいユーザエージェントをシミュレートする手法を提案する。 提案手法の有効性を実証し,本手法を用いて開発したユーザエージェントが,オフラインメトリクスとレコメンデータシステムの実環境性能のギャップを埋める可能性を示した。
  論文  参考訳（メタデータ） (2025-08-18T22:14:57Z)
• 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)
• LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation [94.84458417662404]
  LangTrajは、トラフィックシナリオにおけるすべてのエージェントの共同動作をシミュレートする、言語条件のシーン拡散モデルである。 自然言語入力を条件付けすることで、LangTrajはインタラクティブな振る舞いを柔軟かつ直感的に制御できる。 LangTraj氏は、リアリズム、言語制御性、言語条件の安全クリティカルなシミュレーションにおいて、強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-15T17:14:06Z)
• Enhancing User Intent for Recommendation Systems via Large Language Models [0.0]
  DUIPはLSTMネットワークとLLM(Large Language Models)を組み合わせた新しいフレームワークで、ユーザの意図を動的に把握し、パーソナライズされたアイテムレコメンデーションを生成する。 この結果から,DUIPは次世代レコメンデーションシステムにとって有望なアプローチであり,クロスモーダルレコメンデーションとスケーラビリティのさらなる向上の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-18T20:35:03Z)
• LIBER: Lifelong User Behavior Modeling Based on Large Language Models [42.045535303737694]
  大規模言語モデルに基づく生涯ユーザ行動モデリング(LIBER)を提案する。 LIBERはHuaweiの音楽レコメンデーションサービスにデプロイされ、ユーザーの再生回数と再生時間の3.01%と7.69%を大幅に改善した。
  論文  参考訳（メタデータ） (2024-11-22T03:43:41Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)

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。