論文の概要: ChoirRec: Semantic User Grouping via LLMs for Conversion Rate Prediction of Low-Activity Users
- arxiv url: http://arxiv.org/abs/2510.09393v2
- Date: Mon, 13 Oct 2025 02:54:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 13:29:55.720635
- Title: ChoirRec: Semantic User Grouping via LLMs for Conversion Rate Prediction of Low-Activity Users
- Title（参考訳）: ChoirRec:低活動ユーザの変換率予測のためのLLMによるセマンティックユーザグループ化
- Authors: Dakai Zhai, Jiong Gao, Boya Du, Junwei Xu, Qijie Shen, Jialin Zhu, Yuning Jiang,
- Abstract要約: ChoirRecは、Large Language Models(LLM)のセマンティック機能を活用してセマンティックユーザグループを構築する新しいフレームワークである。
堅牢なユーザ間の知識伝達のために設計されたデュアルチャネルアーキテクチャにより、ChoirRecは3つのコンポーネントから構成される。
当社は、産業規模のeコマースプラットフォームであるTaobaoで、大規模なオフラインおよびオンライン実験を実施しています。
- 参考スコア（独自算出の注目度）: 9.307320121599828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately predicting conversion rates (CVR) for low-activity users remains a fundamental challenge in large-scale e-commerce recommender systems. Existing approaches face three critical limitations: (i) reliance on noisy and unreliable behavioral signals; (ii) insufficient user-level information due to the lack of diverse interaction data; and (iii) a systemic training bias toward high-activity users that overshadows the needs of low-activity users. To address these challenges, we propose ChoirRec, a novel framework that leverages the semantic capabilities of Large Language Models (LLMs) to construct semantic user groups and enhance CVR prediction for low-activity users. With a dual-channel architecture designed for robust cross-user knowledge transfer, ChoirRec comprises three components: (i) a Semantic Group Generation module that utilizes LLMs to form reliable, cross-activity user clusters, thereby filtering out noisy signals; (ii) a Group-aware Hierarchical Representation module that enriches sparse user embeddings with informative group-level priors to mitigate data insufficiency; and (iii) a Group-aware Multi-granularity Modual that employs a dual-channel architecture and adaptive fusion mechanism to ensure effective learning and utilization of group knowledge. We conduct extensive offline and online experiments on Taobao, a leading industrial-scale e-commerce platform. ChoirRec improves GAUC by 1.16\% in offline evaluations, while online A/B testing reveals a 7.24\% increase in order volume, highlighting its substantial practical value in real-world applications.
- Abstract（参考訳）: 低活性ユーザに対する正確なコンバージョン率(CVR)予測は、大規模なeコマースレコメンデータシステムにおいて、依然として根本的な課題である。
既存のアプローチには3つの限界がある。
一 騒音及び信頼性の低い行動信号に依存すること。
二 多様な相互作用データがないことによるユーザレベルの情報不足
(3)低能率ユーザのニーズを覆い隠す高能率ユーザに対する体系的な訓練バイアス。
これらの課題に対処するため,我々は,Large Language Models (LLMs) のセマンティック機能を活用して,セマンティックユーザグループを構築し,低活性ユーザに対するCVR予測を強化する新しいフレームワークであるChoirRecを提案する。
堅牢なユーザ間知識伝達のために設計されたデュアルチャネルアーキテクチャにより、ChoirRecは3つのコンポーネントから構成される。
i) LLMを用いたセマンティックグループ生成モジュールにより、信頼性の高いクロスアクティブなユーザクラスタを形成し、ノイズ信号のフィルタリングを行う。
(二 グループ対応階層表現モジュールで、疎密なユーザ埋め込みを情報化グループレベルの先行で強化し、データ不足を緩和する。)
三 グループ知の効果的な学習と活用を確保するために、二重チャネルアーキテクチャと適応融合機構を利用する群対応多粒度モジュール。
当社は、産業規模のeコマースプラットフォームであるTaobaoで、大規模なオフラインおよびオンライン実験を実施しています。
ChoirRecはGAUCを1.16\%改善し、オンラインA/Bテストは7.24\%のオーダー数の増加を示し、現実世界のアプリケーションにおいてその実質的な価値を強調している。
関連論文リスト
- DMGIN: How Multimodal LLMs Enhance Large Recommendation Models for Lifelong User Post-click Behaviors [5.465812199325145]
長いクリック後の動作シーケンスは、深刻なパフォーマンス問題を引き起こす。
Deep Multimodal Group Interest Network (DMGIN)はClick-Through Rate (CTR)予測を改善する。
論文 参考訳（メタデータ） (2025-08-29T17:28:07Z) - Beyond Single Labels: Improving Conversational Recommendation through LLM-Powered Data Augmentation [18.01518720663732]
会話レコメンデータシステム(CRS)は,マルチターン対話でユーザを惹きつけることによって,推薦品質を高める。
CRSは誤ったネガティブな問題に直面することが多く、トレーニング中にユーザーが好むアイテムが誤ってネガティブにラベル付けされているため、準最適リコメンデーションに繋がる。
本稿では,LLMに基づくセマンティックレトリバーを利用して,多種多様な意味的関連項目を識別する新しいデータ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-30T08:20:54Z) - Hierarchical Group-wise Ranking Framework for Recommendation Models [0.0]
CTR/CVRモデルは、アイテムのランク付け品質を改善するために、ランク付けの目的でますます訓練されている。
現在の方法はバッチ内の負のサンプリングに頼っている。
本稿では,2つのキーコンポーネントを持つ階層型グループワイドランキングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-15T07:47:26Z) - Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。
大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。
我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
論文 参考訳（メタデータ） (2025-05-15T03:22:03Z) - 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) - Online Clustering of Dueling Bandits [59.09590979404303]
本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。
本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-04T07:55:41Z) - 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) - LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。
Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。
4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
論文 参考訳（メタデータ） (2024-11-14T13:00:23Z) - Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。
より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。
提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
論文 参考訳（メタデータ） (2024-09-14T01:45:04Z) - Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。
マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。
最高の競争相手に比べて7.29%も上昇している。
論文 参考訳（メタデータ） (2024-04-22T14:49:46Z) - Diffusion Recommender Model [85.9640416600725]
そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。
ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
論文 参考訳（メタデータ） (2023-04-11T04:31:00Z)
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。