論文の概要: Tag-Enriched Multi-Attention with Large Language Models for Cross-Domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2510.09224v1
• Date: Fri, 10 Oct 2025 10:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.687816
• Title: Tag-Enriched Multi-Attention with Large Language Models for Cross-Domain Sequential Recommendation
• Title（参考訳）: クロスドメインシーケンス推薦のための大規模言語モデルを用いたタグ強化マルチアテンション
• Authors: Wangyu Wu, Xuhang Chen, Zhenhong Chen, Jing-En Jiang, Kim-Fung Tsang, Xiaowei Huang, Fei Ma, Jimin Xiao,
• Abstract要約: クロスドメインシークエンシャルレコメンデーション(CDSR)は、現代の消費者電子製品や電子商取引プラットフォームにおいて重要な役割を担っている。 我々はtextitLarge Language Models (LLMs) を統合した textbfTEMA-LLM を提案する。 4つの大規模なeコマースデータセットに関する大規模な実験は、TEMA-LLMが最先端のベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 32.74614994118547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-Domain Sequential Recommendation (CDSR) plays a crucial role in modern consumer electronics and e-commerce platforms, where users interact with diverse services such as books, movies, and online retail products. These systems must accurately capture both domain-specific and cross-domain behavioral patterns to provide personalized and seamless consumer experiences. To address this challenge, we propose \textbf{TEMA-LLM} (\textit{Tag-Enriched Multi-Attention with Large Language Models}), a practical and effective framework that integrates \textit{Large Language Models (LLMs)} for semantic tag generation and enrichment. Specifically, TEMA-LLM employs LLMs to assign domain-aware prompts and generate descriptive tags from item titles and descriptions. The resulting tag embeddings are fused with item identifiers as well as textual and visual features to construct enhanced item representations. A \textit{Tag-Enriched Multi-Attention} mechanism is then introduced to jointly model user preferences within and across domains, enabling the system to capture complex and evolving consumer interests. Extensive experiments on four large-scale e-commerce datasets demonstrate that TEMA-LLM consistently outperforms state-of-the-art baselines, underscoring the benefits of LLM-based semantic tagging and multi-attention integration for consumer-facing recommendation systems. The proposed approach highlights the potential of LLMs to advance intelligent, user-centric services in the field of consumer electronics.
• Abstract（参考訳）: クロスドメインシークエンシャルレコメンデーション(CDSR)は、書籍、映画、オンライン小売製品といった多様なサービスと対話する、現代の消費者電子製品や電子商取引プラットフォームにおいて重要な役割を担っている。 これらのシステムは、パーソナライズされたシームレスな消費者エクスペリエンスを提供するために、ドメイン固有の行動パターンとドメイン間の行動パターンの両方を正確にキャプチャする必要があります。 この課題に対処するために、意味的タグ生成とエンリッチメントのために \textit{Large Language Models (LLMs) を統合する実用的で効果的なフレームワークである \textbf{TEMA-LLM} (\textit{Tag-Enriched Multi-Attention with Large Language Models}) を提案する。 具体的には、TEMA-LLM は LLM を使用してドメイン認識プロンプトを割り当て、項目のタイトルや記述から記述タグを生成する。 結果として得られたタグの埋め込みには、アイテム識別子と、拡張されたアイテム表現を構築するためのテキストおよび視覚的特徴が融合している。 次に、ドメイン内およびドメイン間のユーザ嗜好を共同でモデル化するために、 \textit{Tag-Enriched Multi-Attention} メカニズムが導入され、複雑で進化する消費者の関心を捉えることができる。 4つの大規模なeコマースデータセットに対する大規模な実験により、TEMA-LLMは最先端のベースラインを一貫して上回り、LLMベースのセマンティックタグ付けと、消費者が直面するレコメンデーションシステムに対するマルチアテンション統合の利点を浮き彫りにしている。 提案手法は、消費者電子分野において、インテリジェントでユーザ中心のサービスを進化させるLLMの可能性を強調している。

関連論文リスト

• Large Language Model Prompt Datasets: An In-depth Analysis and Insights [17.386420251846953]
  プロンプトは、大きな言語モデル(LLM)の特定のタスクを定義する自然言語命令である。 この作業では、初めて、さまざまなチャネルからソースされたプロンプトデータセットの広範なリストをコンパイルしました。
  論文  参考訳（メタデータ） (2025-10-10T12:15:55Z)
• LLM-Enhanced Multimodal Fusion for Cross-Domain Sequential Recommendation [32.40055370439922]
  クロスドメインシークエンシャルレコメンデーション(CDSR)は、複数のドメインにわたる歴史的なインタラクションを活用することで、ユーザの振る舞いを予測する。 我々は,LLM-EMF(クロスドメインシーケンスレコメンデーション)のためのLLM強化多モード核融合を提案する。 LLM-EMFは、LLM(Large Language Models)の知識でテキスト情報を強化する新しい高度なアプローチである。
  論文  参考訳（メタデータ） (2025-06-22T09:53:21Z)
• QID: Efficient Query-Informed ViTs in Data-Scarce Regimes for OCR-free Visual Document Understanding [53.69841526266547]
  トレーニング済みのVision-Language Modelを新しいデータセットで微調整することは、ビジョンエンコーダの最適化に不足することが多い。 視覚エンコーダにクエリの埋め込みを統合する,新しい,合理化されたアーキテクチャ保存アプローチであるQIDを導入する。
  論文  参考訳（メタデータ） (2025-04-03T18:47:16Z)
• Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
  Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。 本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T09:19:54Z)
• Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations [53.76682562935373]
  我々は,LLMを脳として,レコメンダモデルをツールとして使用する,textbfInteRecAgentという効率的なフレームワークを紹介した。 InteRecAgentは会話レコメンデーションシステムとして満足度を達成し、汎用LLMよりも優れる。
  論文  参考訳（メタデータ） (2023-08-31T07:36:44Z)

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。