論文の概要: Tree of Preferences for Diversified Recommendation

• arxiv url: http://arxiv.org/abs/2601.02386v1
• Date: Wed, 24 Dec 2025 04:13:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-11 18:48:17.564427
• Title: Tree of Preferences for Diversified Recommendation
• Title（参考訳）: 多様化勧告の優先木
• Authors: Hanyang Yuan, Ning Tang, Tongya Zheng, Jiarong Xu, Xintong Hu, Renhong Huang, Shunyu Liu, Jiacong Hu, Jiawei Chen, Mingli Song,
• Abstract要約: データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 54.183647833064136
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diversified recommendation has attracted increasing attention from both researchers and practitioners, which can effectively address the homogeneity of recommended items. Existing approaches predominantly aim to infer the diversity of user preferences from observed user feedback. Nonetheless, due to inherent data biases, the observed data may not fully reflect user interests, where underexplored preferences can be overwhelmed or remain unmanifested. Failing to capture these preferences can lead to suboptimal diversity in recommendations. To fill this gap, this work aims to study diversified recommendation from a data-bias perspective. Inspired by the outstanding performance of large language models (LLMs) in zero-shot inference leveraging world knowledge, we propose a novel approach that utilizes LLMs' expertise to uncover underexplored user preferences from observed behavior, ultimately providing diverse and relevant recommendations. To achieve this, we first introduce Tree of Preferences (ToP), an innovative structure constructed to model user preferences from coarse to fine. ToP enables LLMs to systematically reason over the user's rationale behind their behavior, thereby uncovering their underexplored preferences. To guide diversified recommendations using uncovered preferences, we adopt a data-centric approach, identifying candidate items that match user preferences and generating synthetic interactions that reflect underexplored preferences. These interactions are integrated to train a general recommender for diversification. Moreover, we scale up overall efficiency by dynamically selecting influential users during optimization. Extensive evaluations of both diversity and relevance show that our approach outperforms existing methods in most cases and achieves near-optimal performance in others, with reasonable inference latency.
• Abstract（参考訳）: 多様化した勧告は、研究者と実践者の両方から注目を集めており、推奨項目の均一性に効果的に対処することができる。 既存のアプローチは主に、観察されたユーザのフィードバックからユーザの好みの多様性を推測することを目的としている。 それでも、固有のデータバイアスのため、観測されたデータはユーザーの興味を完全に反映していない可能性がある。 これらの嗜好を捉えないことは、推薦において最適以下の多様性をもたらす可能性がある。 このギャップを埋めるために、この研究はデータバイアスの観点から多種多様な推薦を研究することを目的としている。 世界の知識を活かしたゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,LLMの専門知識を活用し,観察された行動から未探索のユーザの嗜好を明らかにする新しいアプローチを提案する。 そこで我々はまず,ユーザ嗜好を粗いものから細かいものへとモデル化する革新的な構造であるTree of Preferences (ToP)を紹介した。 ToPは、LCMがユーザーの行動の背後にある理論的根拠を体系的に推論し、探索されていない好みを明らかにすることを可能にする。 本研究では,ユーザの嗜好にマッチする候補項目を特定し,未探索の嗜好を反映した合成インタラクションを生成する,データ中心のアプローチを採用する。 これらの相互作用は、多様化のための一般的な推奨者を訓練するために統合される。 さらに、最適化中の影響力のあるユーザを動的に選択することで、全体的な効率を向上する。 多様性と妥当性の両面での広範な評価は、我々のアプローチが既存の手法よりも優れており、合理的な推論遅延を伴って、他の手法のほぼ最適性能を実現していることを示している。

関連論文リスト

• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Recommendation and Temptation [3.734925590025741]
  エンリッチメントと誘惑の緊張を明示的にモデル化する新しいレコメンデーション設計を提案する。 私たちの仕事は、よりニュアンスでユーザ中心の推奨設計へのパラダイムシフトを表しています。
  論文  参考訳（メタデータ） (2024-12-13T22:44:22Z)
• Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
  本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。 我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。 我々の戦略は、最先端のライバル数社を上回っている。
  論文  参考訳（メタデータ） (2024-08-07T13:48:24Z)
• How to Diversify any Personalized Recommender? [0.0]
  精度を維持しつつTop-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。 当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。 トレーニングに事前処理されたデータを使用すると、元の未修正データでトレーニングされたデータと同等のパフォーマンスレベルを達成するためのレコメンデーションシステムになる。
  論文  参考訳（メタデータ） (2024-05-03T15:02:55Z)
• Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement [5.734747179463411]
  MIDCL(Multi-Intention Disentanglement)に基づくコントラスト学習シーケンシャルレコメンデーション手法を提案する。 私たちの仕事では、意図は動的で多様なものとして認識され、ユーザの振る舞いは、しばしば現在のマルチインテンションによって駆動されます。 本稿では,最も関連性の高いユーザの対話的意図の探索と,正のサンプル対の相互情報の最大化のための2種類のコントラスト学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-28T15:13:36Z)

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。