論文の概要: Generation and annotation of item usage scenarios in e-commerce using large language models

• arxiv url: http://arxiv.org/abs/2510.07885v1
• Date: Thu, 09 Oct 2025 07:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.933694
• Title: Generation and annotation of item usage scenarios in e-commerce using large language models
• Title（参考訳）: 大規模言語モデルを用いたeコマースにおける商品利用シナリオの生成とアノテーション
• Authors: Madoka Hagiri, Kazushi Okamoto, Koki Karube, Kei Harada, Atsushi Shibata,
• Abstract要約: アイテムの組み合わせを動機づける、基本的な使用状況に注目します。 大規模言語モデルを用いて項目使用シナリオを生成する。 その結果, LLMは現実的なアイテム利用シナリオを効果的に生成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6524460254566904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complementary recommendations suggest combinations of useful items that play important roles in e-commerce. However, complementary relationships are often subjective and vary among individuals, making them difficult to infer from historical data. Unlike conventional history-based methods that rely on statistical co-occurrence, we focus on the underlying usage context that motivates item combinations. We hypothesized that people select complementary items by imagining specific usage scenarios and identifying the needs in such situations. Based on this idea, we explored the use of large language models (LLMs) to generate item usage scenarios as a starting point for constructing complementary recommendation systems. First, we evaluated the plausibility of LLM-generated scenarios through manual annotation. The results demonstrated that approximately 85% of the generated scenarios were determined to be plausible, suggesting that LLMs can effectively generate realistic item usage scenarios.
• Abstract（参考訳）: 補完的なレコメンデーションは、eコマースにおいて重要な役割を果たす有用なアイテムの組み合わせを提案する。 しかし、相補的な関係はしばしば主観的であり、個人によって異なるため、歴史的データから推測することは困難である。 統計的共起に依存する従来の履歴ベースの手法とは異なり、我々はアイテムの組み合わせを動機づける基礎となる使用状況に焦点を当てる。 我々は、特定の利用シナリオを想像し、そのような状況におけるニーズを特定することによって、補完的な項目を選択することを仮定した。 このアイデアに基づいて,補完的なレコメンデーションシステムを構築するための出発点として,項目の使用シナリオを生成するために,大規模言語モデル(LLM)の使用について検討した。 まず,手動アノテーションによるLCM生成シナリオの妥当性について検討した。 その結果, 生成シナリオの約85%が妥当であると判断され, LLMが現実的なアイテム利用シナリオを効果的に生成できることが示唆された。

関連論文リスト

• Global-Distribution Aware Scenario-Specific Variational Representation Learning Framework [3.531624622201587]
  グローバル・ディストリビューション・アウェア・シナリオ-特殊変分表現学習フレームワーク(GSVR)について紹介する。 提案手法では,確率論的モデルを用いて,変動推論(VI)を用いて推定した各シナリオにおいて,各ユーザとアイテムに対してシナリオ固有の分布を生成する。 また,グローバルな知識対応多分野分布を事前知識として導入し,後部ユーザおよび項目分布の学習を規制する。
  論文  参考訳（メタデータ） (2025-08-20T07:31:37Z)
• End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
  グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-02T22:46:50Z)
• Training Large Recommendation Models via Graph-Language Token Alignment [53.3142545812349]
  本稿では,グラフ言語トークンアライメントによる大規模推薦モデルのトレーニングを行う新しいフレームワークを提案する。 インタラクショングラフからアイテムとユーザノードを事前訓練されたLLMトークンにアライメントすることで、GLTAはLLMの推論能力を効果的に活用する。 さらに、エンドツーエンドのアイテム予測のためのトークンアライメントを最適化するために、GLLM(Graph-Language Logits Matching)を導入する。
  論文  参考訳（メタデータ） (2025-02-26T02:19:10Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers [70.20477771578824]
  イベント予測への既存のアプローチには、タイムアウェアな位置埋め込み、学習行とフィールドエンコーディング、クラス不均衡に対処するオーバーサンプリング方法などがある。 基本位置埋め込みと因果言語モデリングの目的を持つ標準自己回帰型LPM変換器を用いて,単純だが柔軟なベースラインを提案する。 私たちのベースラインは、一般的なデータセットで既存のアプローチよりも優れており、さまざまなユースケースに使用することができます。
  論文  参考訳（メタデータ） (2024-10-14T15:59:16Z)
• Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation [11.489766641148151]
  マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。 MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。 我々は,シナリオに支配された専門家の混在により,すべてのシナリオに対処するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-29T06:17:33Z)
• Text-Based Product Matching -- Semi-Supervised Clustering Approach [9.748519919202986]
  本稿では,半教師付きクラスタリング手法を用いた製品マッチングの新しい哲学を提案する。 実世界のデータセット上でIDECアルゴリズムを実験することにより,本手法の特性について検討する。
  論文  参考訳（メタデータ） (2024-02-01T18:52:26Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce [12.794276204716642]
  不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-16T13:52:14Z)

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。