論文の概要: SciNUP: Natural Language User Interest Profiles for Scientific Literature Recommendation

• arxiv url: http://arxiv.org/abs/2510.21352v1
• Date: Fri, 24 Oct 2025 11:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.414418
• Title: SciNUP: Natural Language User Interest Profiles for Scientific Literature Recommendation
• Title（参考訳）: SciNUP: 科学文献レコメンデーションのための自然言語ユーザ興味プロファイル
• Authors: Mariam Arustashvili, Krisztian Balog,
• Abstract要約: 推薦システムにおける自然言語(NL)ユーザプロファイルは、透明性とユーザコントロールを向上する。 NLプロファイルベースのレコメンデーションを評価するために,大規模な公開テストコレクションが不足している。 本稿では,学術推薦のための新しい合成データセットであるSciNUPを紹介する。
• 参考スコア（独自算出の注目度）: 15.029309551125962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of natural language (NL) user profiles in recommender systems offers greater transparency and user control compared to traditional representations. However, there is scarcity of large-scale, publicly available test collections for evaluating NL profile-based recommendation. To address this gap, we introduce SciNUP, a novel synthetic dataset for scholarly recommendation that leverages authors' publication histories to generate NL profiles and corresponding ground truth items. We use this dataset to conduct a comparison of baseline methods, ranging from sparse and dense retrieval approaches to state-of-the-art LLM-based rerankers. Our results show that while baseline methods achieve comparable performance, they often retrieve different items, indicating complementary behaviors. At the same time, considerable headroom for improvement remains, highlighting the need for effective NL-based recommendation approaches. The SciNUP dataset thus serves as a valuable resource for fostering future research and development in this area.
• Abstract（参考訳）: 推薦システムにおける自然言語(NL)ユーザプロファイルの使用は、従来の表現よりも透明性とユーザコントロールが向上する。 しかし、NLプロファイルベースのレコメンデーションを評価するために、大規模な公開テストコレクションが不足している。 このギャップに対処するために、著者の出版履歴を利用してNLプロファイルと対応する基底真理項目を生成する学術推薦のための新しい合成データセットであるSciNUPを紹介する。 このデータセットを用いて,スパースと高密度検索アプローチから最先端のLCMリランカまで,ベースライン手法の比較を行う。 その結果,ベースライン手法は同等の性能を達成できるが,異なる項目を検索し,相補的な動作を示すことが多かった。 同時に、改善のためのかなりのヘッドルームが残っており、効果的なNLベースのレコメンデーションアプローチの必要性を強調している。 したがって、SciNUPデータセットは、この分野における将来の研究開発を促進するための貴重なリソースとなる。

関連論文リスト

• GenUP: Generative User Profilers as In-Context Learners for Next POI Recommender Systems [8.789624590579903]
  POI(Point-of-Interest)レコメンデーションシステムは、透明性、解釈可能性、精査性に欠けることが多い。 既存の手法は、他のユーザーからの類似の軌跡を活用することで、この問題に対処することが多い。 本稿では,LBSNの大規模チェックインから自然言語(NL)ユーザプロファイルを生成する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-28T00:39:22Z)
• Spread Preference Annotation: Direct Preference Judgment for Efficient LLM Alignment [72.99676237703099]
  大規模言語モデルと人間の嗜好の整合性を高める新しいフレームワークを提案する。 私たちのキーとなるアイデアは、小さな(種)データの中で人間の事前知識を活用することです。 本稿では,ノイズ認識型選好学習アルゴリズムを導入し,生成した選好データにおける品質低下のリスクを軽減する。
  論文  参考訳（メタデータ） (2024-06-06T18:01:02Z)
• IDGenRec: LLM-RecSys Alignment with Textual ID Learning [48.018397048791115]
  我々は,各項目を一意で簡潔で,意味的にリッチで,プラットフォームに依存しないテキストIDとして表現するIDGenを提案する。 標準実験条件下では,IDGen が既存のモデルを常に上回り,逐次レコメンデーションすることを示す。 その結果、事前訓練された基礎モデルのゼロショット性能は、従来のレコメンデーションモデルに匹敵するか、それ以上に優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-27T21:22:37Z)
• Sample Efficient Preference Alignment in LLMs via Active Exploration [63.84454768573154]
  良い政策を最も効率的に特定するために、人間のフィードバックを得るコンテキストをしばしば選択できるという事実を活用します。 本稿では,データを効率的に選択する能動的探索アルゴリズムを提案する。 提案手法は,複数の言語モデルと4つの実世界のデータセットに対する人間の嗜好の限られたサンプルを用いて,ベースラインよりも優れる。
  論文  参考訳（メタデータ） (2023-12-01T00:54:02Z)
• GenRec: Large Language Model for Generative Recommendation [41.22833600362077]
  本稿では,テキストデータに基づく大規模言語モデル(LLM)を用いたレコメンデーションシステムに対する革新的なアプローチを提案する。 GenRecはLLMの理解機能を使ってコンテキストを解釈し、ユーザの好みを学習し、関連するレコメンデーションを生成する。 本研究は,レコメンデーションシステムの領域に革命をもたらす上で,LLMに基づくジェネレーティブレコメンデーションの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-07-02T02:37:07Z)
• Efficient Nearest Neighbor Language Models [114.40866461741795]
  非パラメトリックニューラルネットワークモデル(NLM)は、外部データストアを用いてテキストの予測分布を学習する。 比較性能を維持しながら、推論速度の最大6倍の高速化を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-09-09T12:32:28Z)

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。