Fugu-MT 論文翻訳(概要): A Lay User Explainable Food Recommendation System Based on Hybrid Feature Importance Extraction and Large Language Models

論文の概要: A Lay User Explainable Food Recommendation System Based on Hybrid Feature Importance Extraction and Large Language Models

arxiv url: http://arxiv.org/abs/2601.02374v1
Date: Wed, 10 Dec 2025 10:10:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-11 18:48:17.549286
Title: A Lay User Explainable Food Recommendation System Based on Hybrid Feature Importance Extraction and Large Language Models
Title（参考訳）: ハイブリッド特徴量抽出と大規模言語モデルに基づくレイユーザ説明食品推薦システム
Authors: Melissa Tessa, Diderot D. Cidjeu, Rachele Carli, Sarah Abchiche, Ahmad Aldarwishd, Igor Tchappi, Amro Najjar,
Abstract要約: 大規模言語モデル (LLM) は近年,様々な用途で開発が進められている。本稿では,LLMを用いて食品レコメンデーションシステムの結果のより詳細な説明を提供するポストホックプロセスを開発した。
参考スコア（独自算出の注目度）: 3.3937688343648347
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large Language Models (LLM) have experienced strong development in recent years, with varied applications. This paper uses LLMs to develop a post-hoc process that provides more elaborated explanations of the results of food recommendation systems. By combining LLM with a hybrid extraction of key variables using SHAP, we obtain dynamic, convincing and more comprehensive explanations to lay user, compared to those in the literature. This approach enhances user trust and transparency by making complex recommendation outcomes easier to understand for a lay user.
Abstract（参考訳）: 大規模言語モデル (LLM) は近年,様々な用途で開発が進められている。本稿では,LLMを用いて食品レコメンデーションシステムの結果のより詳細な説明を提供するポストホックプロセスを開発した。 LLMとSHAPを用いた鍵変数のハイブリッド抽出を組み合わせることで,本論文と比較して動的で説得力があり,より包括的な説明が得られる。このアプローチは、一般的なユーザにとって理解しやすい複雑なレコメンデーション結果を提供することによって、ユーザの信頼と透明性を高める。

関連論文リスト

What LLMs Miss in Recommendations: Bridging the Gap with Retrieval-Augmented Collaborative Signals [4.297070083645049]
ユーザとイテムのインタラクションには、多くの成功したレコメンデーションシステムのバックボーンを形成する、リッチなコラボレーティブなシグナルが含まれている。大規模言語モデル(LLM)がこの種類の協調的な情報を効果的に説明できるかどうかは不明だ。構造化された相互作用データにそれらの予測を基礎づけることによりLLMを強化する単純な検索拡張生成(RAG)手法を提案する。
論文参考訳（メタデータ） (2025-05-27T05:18:57Z)
Enhanced Recommendation Combining Collaborative Filtering and Large Language Models [0.0]
大規模言語モデル(LLM)はレコメンデーションシステムに新たなブレークスルーを提供する。本稿では,協調フィルタリングとLLMを組み合わせたレコメンデーション手法を提案する。その結果,協調フィルタリングとLCMに基づくハイブリッドモデルは,精度,リコール,ユーザ満足度を著しく向上させることがわかった。
論文参考訳（メタデータ） (2024-12-25T00:23:53Z)
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)
Towards Scalable Semantic Representation for Recommendation [65.06144407288127]
大規模言語モデル(LLM)に基づく意味的IDを構築するために、Mixture-of-Codesを提案する。提案手法は,識別性と寸法の堅牢性に優れたスケーラビリティを実現し,提案手法で最高のスケールアップ性能を実現する。
論文参考訳（メタデータ） (2024-10-12T15:10:56Z)
Enhancing High-order Interaction Awareness in LLM-based Recommender Model [3.7623606729515133]
本稿では,LLMベースのリコメンデータ(ELMRec)について述べる。我々は、レコメンデーションのためのグラフ構築相互作用のLLM解釈を大幅に強化するために、単語全体の埋め込みを強化する。 ELMRecは、直接およびシーケンシャルなレコメンデーションの両方において、最先端(SOTA)メソッドよりも優れています。
論文参考訳（メタデータ） (2024-09-30T06:07:12Z)
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)
Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。 M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
論文参考訳（メタデータ） (2024-09-03T04:55:03Z)
Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
論文参考訳（メタデータ） (2024-08-14T10:03:40Z)
MMREC: LLM Based Multi-Modal Recommender System [2.3113916776957635]
本稿では,Large Language Models(LLM)とディープラーニング技術を活用して,レコメンデータシステムを強化する新しい手法を提案する。提案フレームワークは,マルチモーダル情報処理を取り入れたレコメンデーションの精度と妥当性を,統一された潜在空間表現を用いて向上することを目的としている。
論文参考訳（メタデータ） (2024-08-08T04:31:29Z)
Unlocking the Potential of Large Language Models for Explainable Recommendations [55.29843710657637]
説明ジェネレータを最近登場した大規模言語モデル(LLM)に置き換える影響は、まだ不明である。本研究では,シンプルで効果的な2段階説明可能なレコメンデーションフレームワークであるLLMXRecを提案する。いくつかの重要な微調整技術を採用することで、制御可能で流動的な説明が十分に生成できる。
論文参考訳（メタデータ） (2023-12-25T09:09:54Z)
A Survey on Large Language Models for Personalized and Explainable Recommendations [0.3108011671896571]
この調査は、Recommender Systemsが大規模言語モデルからどのような恩恵を受けられるかを分析することを目的としている。本稿では, 冷間開始問題, 不公平性, バイアス問題であるPEGタスクの課題について述べる。
論文参考訳（メタデータ） (2023-11-21T04:14:09Z)

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。