論文の概要: Effectiveness of LLMs in Temporal User Profiling for Recommendation
- arxiv url: http://arxiv.org/abs/2511.00176v1
- Date: Fri, 31 Oct 2025 18:28:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:26.652197
- Title: Effectiveness of LLMs in Temporal User Profiling for Recommendation
- Title（参考訳）: レコメンデーションのための時間的ユーザプロファイリングにおけるLLMの有効性
- Authors: Milad Sabouri, Masoud Mansoury, Kun Lin, Bamshad Mobasher,
- Abstract要約: 本稿では,Large Language Models (LLMs) を利用して時間的ダイナミクスを捉える能力について検討する。
LLMは、よりアクティブなユーザエンゲージメントを持つドメインの推奨品質を改善する傾向にあるが、スペーサー環境では、そのメリットが顕著でないことが示唆されている。
- 参考スコア（独自算出の注目度）: 2.7543979996398513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effectively modeling the dynamic nature of user preferences is crucial for enhancing recommendation accuracy and fostering transparency in recommender systems. Traditional user profiling often overlooks the distinction between transitory short-term interests and stable long-term preferences. This paper examines the capability of leveraging Large Language Models (LLMs) to capture these temporal dynamics, generating richer user representations through distinct short-term and long-term textual summaries of interaction histories. Our observations suggest that while LLMs tend to improve recommendation quality in domains with more active user engagement, their benefits appear less pronounced in sparser environments. This disparity likely stems from the varying distinguishability of short-term and long-term preferences across domains; the approach shows greater utility where these temporal interests are more clearly separable (e.g., Movies\&TV) compared to domains with more stable user profiles (e.g., Video Games). This highlights a critical trade-off between enhanced performance and computational costs, suggesting context-dependent LLM application. Beyond predictive capability, this LLM-driven approach inherently provides an intrinsic potential for interpretability through its natural language profiles and attention weights. This work contributes insights into the practical capability and inherent interpretability of LLM-driven temporal user profiling, outlining new research directions for developing adaptive and transparent recommender systems.
- Abstract（参考訳）: ユーザの好みの動的な性質を効果的にモデル化することは、レコメンデーションの精度を高め、レコメンデーションシステムにおける透明性を高めるために重要である。
伝統的なユーザープロファイリングは、過渡的な短期的利益と安定した長期的嗜好の区別をしばしば見落としている。
本稿では,言語モデル(LLM)を用いてこれらの時間的ダイナミクスを捕捉し,対話履歴の短期的・長期的要約を通じてよりリッチなユーザ表現を生成する能力について検討する。
LLMは、よりアクティブなユーザエンゲージメントを持つドメインの推奨品質を改善する傾向にあるが、スペーサー環境では、そのメリットが顕著でないことが示唆されている。
このアプローチは、これらの時間的関心が、より安定したユーザープロファイルを持つドメイン(例えば、ビデオゲーム)と比較して、より明確に分離可能な(例えば、Movies\&TV)、より有用性を示す。
これは、性能向上と計算コストの重大なトレードオフを強調し、文脈依存のLLMアプリケーションを提案する。
予測能力以外にも、このLLM駆動のアプローチは本質的に、自然言語プロファイルと注意重みによる解釈可能性の本質的なポテンシャルを提供する。
本研究は, 適応的かつ透明なレコメンデータシステムの開発に向けた新たな研究の方向性を概説し, LLM駆動の時間的ユーザプロファイリングの実用性と本質的な解釈可能性について考察する。
関連論文リスト
- Beyond Naïve Prompting: Strategies for Improved Zero-shot Context-aided Forecasting with LLMs [57.82819770709032]
大規模言語モデル (LLM) は、na "ive direct prompting" を通じて効果的な文脈支援予測を行うことができる。
ReDPは、明確な推論トレースを抽出することで、解釈可能性を改善し、コンテキスト上でモデルの推論を評価することができる。
CorDPはLLMを活用して、既存の予測をコンテキストで洗練し、現実の予測パイプラインにおける適用性を高める。
IC-DPは、文脈支援予測タスクの歴史的例を即時に組み込むことを提案し、大規模モデルにおいても精度を大幅に向上させる。
論文 参考訳（メタデータ） (2025-08-13T16:02:55Z) - Using LLMs to Capture Users' Temporal Context for Recommendation [3.719862246745416]
本稿では,Large Language Models (LLMs) を用いて,意味的にリッチでタイムアウェアなユーザプロファイルを生成する手法を提案する。
我々は、新しいエンドツーエンドレコメンデーションアーキテクチャを提案していないが、中核となる貢献は、LLMの有効性の程度を体系的に調査することである。
Movies&TV と Video Games のドメイン間での評価では、LLM の生成したプロファイルは意味的な深さと時間構造を提供するが、コンテキスト対応のレコメンデーションの有効性はユーザーインタラクション履歴の豊かさに特有である。
論文 参考訳（メタデータ） (2025-08-11T22:48:31Z) - Temporal User Profiling with LLMs: Balancing Short-Term and Long-Term Preferences for Recommendations [3.719862246745416]
本稿では,短期および長期の嗜好を明示的にモデル化するユーザプロファイリング手法を提案する。
LLM-TUPは、いくつかのベースラインに対して大幅に改善されている。
論文 参考訳（メタデータ） (2025-08-11T20:28:24Z) - Enhancing Temporal Sensitivity of Large Language Model for Recommendation with Counterfactual Tuning [8.798364656768657]
我々は、アンダーライン勧告(CETRec)の枠組みを提案する。
CETRecは因果推論の原則に基づいており、時間情報の特定の影響をレコメンデーション結果に分離し、測定することができる。
私たちのコードはhttps://anonymous.4open.science/r/CETRec-B9CE/で利用可能です。
論文 参考訳（メタデータ） (2025-07-03T10:11:35Z) - What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。
これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。
タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
論文 参考訳（メタデータ） (2025-06-02T21:09:29Z) - Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。
我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
論文 参考訳（メタデータ） (2025-05-01T22:02:46Z) - Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。
現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。
本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-16T11:47:21Z) - Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。
RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
論文 参考訳（メタデータ） (2024-02-12T22:47:57Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。