論文の概要: SRLF: An Agent-Driven Set-Wise Reflective Learning Framework for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2511.11370v1
• Date: Fri, 14 Nov 2025 14:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.66418
• Title: SRLF: An Agent-Driven Set-Wise Reflective Learning Framework for Sequential Recommendation
• Title（参考訳）: SRLF:シークエンシャルレコメンデーションのためのエージェント駆動セットワイズ反射学習フレームワーク
• Authors: Jiahao Wang, Bokang Fu, Yu Zhu, Yuli Liu,
• Abstract要約: 我々のフレームワークは,LLMの強力なコンテキスト内学習機能を利用するクローズドループ "アセス・バリケート・リフレクト" サイクルを運用する。 提案手法では,ユーザの行動に不可欠な複雑なパターンを抽出し,シーケンシャルなレコメンデーションタスクに非常に適している。
• 参考スコア（独自算出の注目度）: 16.741106736240603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based agents are emerging as a promising paradigm for simulating user behavior to enhance recommender systems. However, their effectiveness is often limited by existing studies that focus on modeling user ratings for individual items. This point-wise approach leads to prevalent issues such as inaccurate user preference comprehension and rigid item-semantic representations. To address these limitations, we propose the novel Set-wise Reflective Learning Framework (SRLF). Our framework operationalizes a closed-loop "assess-validate-reflect" cycle that harnesses the powerful in-context learning capabilities of LLMs. SRLF departs from conventional point-wise assessment by formulating a holistic judgment on an entire set of items. It accomplishes this by comprehensively analyzing both the intricate interrelationships among items within the set and their collective alignment with the user's preference profile. This method of set-level contextual understanding allows our model to capture complex relational patterns essential to user behavior, making it significantly more adept for sequential recommendation. Extensive experiments validate our approach, confirming that this set-wise perspective is crucial for achieving state-of-the-art performance in sequential recommendation tasks.
• Abstract（参考訳）: LLMをベースとしたエージェントは,レコメンダシステムを強化するためにユーザの振る舞いをシミュレートする,有望なパラダイムとして浮上している。 しかし、それらの効果は、個々の項目のユーザ評価をモデル化することに焦点を当てた既存の研究によって制限されることが多い。 このポイントワイズアプローチは、不正確なユーザ嗜好理解や厳密なアイテムセマンティック表現といった一般的な問題を引き起こす。 これらの制約に対処するため、我々は、新しいSRLF(Set-wise Reflective Learning Framework)を提案する。 我々のフレームワークは,LLMの強力なコンテキスト内学習機能を利用するクローズドループ "アセス・バリケート・リフレクト" サイクルを運用する。 SRLFは、アイテムの集合全体の全体的判断を定式化することによって、従来のポイントワイズアセスメントから逸脱する。 これは、セット内のアイテム間の複雑な相互関係と、ユーザの嗜好プロファイルとの集合的整合の両方を包括的に解析することによって達成される。 この方法では,ユーザ行動に不可欠な複雑な関係パターンを抽出し,逐次的レコメンデーションに有効である。 総合的な実験により、このセットワイズ視点がシーケンシャルなレコメンデーションタスクにおける最先端のパフォーマンスを達成する上で重要であることが確認された。

関連論文リスト

• SRA-CL: Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation [23.050104678143935]
  SRA-CL(Semantic Retrieval Augmented Contrastive Learning)という新しい手法を提案する。 SRA-CLはLLMのセマンティック理解と推論機能を活用し、ユーザの好みやアイテムの特徴をキャプチャする表現的な埋め込みを生成する。 SRA-CLはプラグイン・アンド・プレイの設計を採用しており、既存のシーケンシャルレコメンデーションアーキテクチャとシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-03-06T07:25:19Z)
• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• 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)
• LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation [57.49045064294086]
  大きな言語モデル(LLM)は、その人気とは無関係に、アイテム間の意味的関係をキャプチャする能力を持つ。 LLMEmb(LLMEmb)は、LCMを利用してアイテム埋め込みを生成し、逐次レコメンダシステム(SRS)の性能を向上させる手法である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• DRDT: Dynamic Reflection with Divergent Thinking for LLM-based Sequential Recommendation [53.62727171363384]
  進化的思考を伴う動的反射(Dynamic Reflection with Divergent Thinking)という新しい推論原理を導入する。 我々の方法論はダイナミックリフレクション(動的リフレクション)であり、探索、批評、反射を通じて人間の学習をエミュレートするプロセスである。 6つの事前学習 LLM を用いた3つのデータセットに対するアプローチの評価を行った。
  論文  参考訳（メタデータ） (2023-12-18T16:41:22Z)
• 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)

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。