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

• arxiv url: http://arxiv.org/abs/2510.09224v2
• Date: Mon, 20 Oct 2025 03:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.640805
• 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

• DMESR: Dual-view MLLM-based Enhancing Framework for Multimodal Sequential Recommendation [13.114773060703891]
  マルチモーダルシーケンスレコメンデーション(DMESR)のためのデュアルビューMLLMベースのエンハンシングフレームワークを提案する。 ここでは,MLLM が生成する言語間の意味表現の整合に,コントラスト学習機構を用いる。 細粒度セマンティクスを欠くために,MLLMから得られた粗粒度セマンティクスと細粒度テキストセマンティクスを統合したクロスアテンション融合モジュールを導入する。
  論文  参考訳（メタデータ） (2026-02-14T10:42:56Z)
• Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers [51.64398574262054]
  本稿では,意味的にリッチで標準化されたテキストキーワードの集合として定義された用語ID(TID)を導入し,堅牢な項目識別子として機能する。 本稿では,TIDを中心にした新しいフレームワークGRLMを提案し,項目のメタデータを標準化されたTIDに変換し,統合的インストラクションファインタニングを活用して,用語の内部化とシーケンシャルレコメンデーションを協調的に最適化する。
  論文  参考訳（メタデータ） (2026-01-11T07:53:20Z)
• Cross-Scenario Unified Modeling of User Interests at Billion Scale [31.293456834853853]
  本稿では,産業レベルのコンテンツレコメンデーションシステムに適した,多種多様なシナリオのための高度なレコメンダエンジンであるRED-Recを提案する。 Red-Recは、複数の振る舞いコンテキストにまたがるユーザ関心の表現を統一し、包括的なアイテムとユーザモデリングをもたらす。 RED-RecのオンラインA/Bテストは、RedNoteの数億人のユーザを対象に、オンラインA/Bテストを通じて検証し、コンテンツレコメンデーションと広告ターゲティングタスクの両方において、大幅なパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2025-10-16T15:20:49Z)
• 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)
• Learning Item Representations Directly from Multimodal Features for Effective Recommendation [51.49251689107541]
  マルチモーダルレコメンデータシステムは、主にベイズパーソナライズされたランク付け(BPR)最適化を利用してアイテム表現を学習する。 本稿では,マルチモーダルな特徴からアイテム表現を直接学習し,推薦性能を向上する新しいモデル(LIRDRec)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T05:42:22Z)
• 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)
• CUE-M: Contextual Understanding and Enhanced Search with Multimodal Large Language Model [9.224965304457708]
  本稿では,新しいマルチモーダル検索フレームワークであるMLLM (CUE-M) について述べる。 画像コンテキストの強化、インテントの洗練、コンテキストクエリ生成、外部APIの統合、関連ベースのフィルタリングなどが含まれている。 知識に基づくVQAと安全性に関する実単語データセットと公開ベンチマークの実験は、CUE-Mがベースラインを上回り、新しい最先端の結果を確立することを示した。
  論文  参考訳（メタデータ） (2024-11-19T07:16:48Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• 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。