論文の概要: HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2510.13738v1
• Date: Wed, 15 Oct 2025 16:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.768281
• Title: HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation
• Title（参考訳）: HyMiRec:LLMに基づくシークエンシャルレコメンデーションのためのハイブリッド多目的学習フレームワーク
• Authors: Jingyi Zhou, Cheng Chen, Kai Zuo, Manjie Xu, Zhendong Fu, Yibo Chen, Xu Tang, Yao Hu,
• Abstract要約: HyMiRecは、大規模言語モデルのためのハイブリッド多目的シーケンシャルレコメンデーションフレームワークである。 我々は,コサイン類似性に基づく残余のコードブックを導入し,ユーザの履歴埋め込みの効率的な圧縮と再利用を可能にした。 テストによると、HyMiRecは現実世界のレコメンデーションシステムに一貫した改善をもたらす。
• 参考スコア（独自算出の注目度）: 24.720767926024433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have recently demonstrated strong potential for sequential recommendation. However, current LLM-based approaches face critical limitations in modeling users' long-term and diverse interests. First, due to inference latency and feature fetching bandwidth constraints, existing methods typically truncate user behavior sequences to include only the most recent interactions, resulting in the loss of valuable long-range preference signals. Second, most current methods rely on next-item prediction with a single predicted embedding, overlooking the multifaceted nature of user interests and limiting recommendation diversity. To address these challenges, we propose HyMiRec, a hybrid multi-interest sequential recommendation framework, which leverages a lightweight recommender to extracts coarse interest embeddings from long user sequences and an LLM-based recommender to captures refined interest embeddings. To alleviate the overhead of fetching features, we introduce a residual codebook based on cosine similarity, enabling efficient compression and reuse of user history embeddings. To model the diverse preferences of users, we design a disentangled multi-interest learning module, which leverages multiple interest queries to learn disentangles multiple interest signals adaptively, allowing the model to capture different facets of user intent. Extensive experiments are conducted on both benchmark datasets and a collected industrial dataset, demonstrating our effectiveness over existing state-of-the-art methods. Furthermore, online A/B testing shows that HyMiRec brings consistent improvements in real-world recommendation systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、シーケンシャルなレコメンデーションの可能性を強く示している。 しかし、現在のLLMベースのアプローチは、ユーザの長期的および多様な関心をモデル化する上で、重大な制限に直面している。 まず、推論レイテンシと機能フェッチ帯域幅の制約のため、既存のメソッドは通常、ユーザ動作シーケンスを切断して最新のインタラクションのみを含むようにし、結果として価値のある長距離優先信号が失われる。 第2に、現在のほとんどの手法は、ユーザ興味の多面的な性質を見落とし、推薦の多様性を制限する、単一の予測された埋め込みによる次のイテム予測に依存している。 これらの課題に対処するため,HyMiRecというハイブリッド多目的シーケンシャルレコメンデーションフレームワークを提案する。これは軽量なレコメンデータを利用して,長いユーザシーケンスから粗い関心埋め込みを抽出し,洗練された関心埋め込みをキャプチャするLLMベースのレコメンデータを提案する。 抽出機能のオーバーヘッドを軽減するため,コサイン類似性に基づく残余コードブックを導入し,ユーザ履歴埋め込みの効率的な圧縮と再利用を可能にする。 ユーザの多様な嗜好をモデル化するために,複数の関心クエリを活用して,複数の関心信号を適応的に学習し,ユーザ意図の異なる側面を捉えることのできる,絡み合った多関心学習モジュールを設計する。 ベンチマークデータセットと収集された産業データセットの両方で大規模な実験を行い、既存の最先端手法に対する我々の効果を実証した。 さらに、オンラインA/Bテストは、HyMiRecが現実世界のレコメンデーションシステムに一貫した改善をもたらすことを示している。

関連論文リスト

• 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)
• RecLM: Recommendation Instruction Tuning [17.780484832381994]
  本稿では,大規模言語モデルと協調フィルタリングをシームレスに統合するモデル非依存の指導訓練パラダイムを提案する。 提案した$underlineRec$ommendationは、慎重に設計された強化学習報酬関数により、ユーザの好みの多様性を捕捉する。
  論文  参考訳（メタデータ） (2024-12-26T17:51:54Z)
• 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)
• Customizing Language Models with Instance-wise LoRA for Sequential Recommendation [28.667247613039965]
  時系列レコメンデーションシステムは、ユーザの過去のインタラクションに基づいて次のインタラクション項目を予測し、個別の好みに合わせてレコメンデーションを調整する。 マルチタスク学習の一形態としてインスタンスワイドLoRA(iLoRA)を提案し、LoRAとMixture of Experts(MoE)フレームワークを統合する。 iLoRAは、トレーニング可能なパラメータの1%未満の相対的な増加で、基本的なLoRAよりも11.4%の平均的な相対的な改善を達成している。
  論文  参考訳（メタデータ） (2024-08-19T17:09:32Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
  強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。 しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。 この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。 本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。 我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
  論文  参考訳（メタデータ） (2023-01-20T15:28:09Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。