論文の概要: Evaluation on Entity Matching in Recommender Systems

• arxiv url: http://arxiv.org/abs/2601.17218v1
• Date: Fri, 23 Jan 2026 23:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.425754
• Title: Evaluation on Entity Matching in Recommender Systems
• Title（参考訳）: Recommender システムにおけるエンティティマッチングの評価
• Authors: Zihan Huang, Rohan Surana, Zhouhang Xie, Junda Wu, Yu Xia, Julian McAuley,
• Abstract要約: RedditとAmazon '23データセットから自然に発生するアイテムからなる新しいデータセットであるReddit-Amazon-EMを紹介する。 我々は,ルールベース,グラフベース,語彙ベース,埋め込みベース,LLMベースのアプローチを含む,最先端エンティティマッチング手法の包括的な評価を行う。
• 参考スコア（独自算出の注目度）: 29.505651790710093
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Entity matching is a crucial component in various recommender systems, including conversational recommender systems (CRS) and knowledge-based recommender systems. However, the lack of rigorous evaluation frameworks for cross-dataset entity matching impedes progress in areas such as LLM-driven conversational recommendations and knowledge-grounded dataset construction. In this paper, we introduce Reddit-Amazon-EM, a novel dataset comprising naturally occurring items from Reddit and the Amazon '23 dataset. Through careful manual annotation, we identify corresponding movies across Reddit-Movies and Amazon'23, two existing recommender system datasets with inherently overlapping catalogs. Leveraging Reddit-Amazon-EM, we conduct a comprehensive evaluation of state-of-the-art entity matching methods, including rule-based, graph-based, lexical-based, embedding-based, and LLM-based approaches. For reproducible research, we release our manually annotated entity matching gold set and provide the mapping between the two datasets using the best-performing method from our experiments. This serves as a valuable resource for advancing future work on entity matching in recommender systems.
• Abstract（参考訳）: エンティティマッチングは、会話レコメンデーションシステム(CRS)や知識に基づくレコメンデーションシステムなど、様々なレコメンデーションシステムにおいて重要なコンポーネントである。 しかし, クロス・データセット・エンティティ・マッチングのための厳密な評価フレームワークが欠如していることは, LLM駆動の会話レコメンデーションや知識に基づくデータセット構築といった分野での進歩を妨げている。 本稿では,RedditとAmazon '23データセットから自然に発生するアイテムからなる新しいデータセットであるReddit-Amazon-EMを紹介する。 注意深い手動アノテーションにより、Reddit-MoviesとAmazon'23で対応する映画を特定します。 Reddit-Amazon-EMを活用することで、ルールベース、グラフベース、語彙ベース、埋め込みベース、LLMベースのアプローチを含む、最先端のエンティティマッチング手法を包括的に評価する。 再現可能な研究のために、手動でアノテートされたエンティティマッチングゴールドセットを公開し、実験から最高のパフォーマンス手法を用いて2つのデータセット間のマッピングを提供する。 これは、リコメンデータシステムにおけるエンティティマッチングの今後の取り組みを進めるための貴重なリソースとなる。

関連論文リスト

• ABCD-LINK: Annotation Bootstrapping for Cross-Document Fine-Grained Links [57.514511353084565]
  我々は、最高のパフォーマンスのアプローチを選択し、文書間リンクに注釈を付けるための新しいドメインに依存しないフレームワークを提案する。 当社のフレームワークを2つの異なるドメイン – ピアレビューとニュース – に適用しています。 結果として得られた新しいデータセットは、メディアフレーミングやピアレビューなど、数多くのクロスドキュメントタスクの基礎を築いた。
  論文  参考訳（メタデータ） (2025-09-01T11:32:24Z)
• End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
  グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-02T22:46:50Z)
• LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation [49.78419076215196]
  シーケンスレコメンデーションは、類似したユーザやアイテムの履歴行動から協調フィルタリング(CF)信号をモデル化することで、ユーザの将来のインタラクションを予測することを目的としている。 従来のシーケンシャルなレコメンダは、高次の共起パターンを通じてCF信号をキャプチャするIDベースの埋め込みに依存している。 大規模言語モデル(LLM)の最近の進歩は、テキスト記述からアイテム表現を導出するテキストベースのレコメンデーションアプローチを動機付けている。 理想的な埋め込みモデルは、ドメイン内およびドメイン外のレコメンデーションパフォーマンスを改善するために、CF信号とリッチなセマンティック表現をシームレスに統合すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-16T13:27:06Z)
• Benchmarking LLM-based Relevance Judgment Methods [15.255877686845773]
  大規模言語モデル(LLM)は、学術的、産業的にもますます多くデプロイされている。 我々は,2値関係判定,次級関係評価,相互選好に基づく手法,および2つのナゲットに基づく評価方法など,複数のLCMに基づく関連性評価手法を体系的に比較した。 データリリースには、オープンソース(Llama3.2b)と商用(gpt-4o)モデルの両方で生成された関連判断が含まれています。
  論文  参考訳（メタデータ） (2025-04-17T01:13:21Z)
• REGEN: A Dataset and Benchmarks with Natural Language Critiques and Narratives [4.558818396613368]
  Amazon Product Reviewsデータセットを拡張して,2つの重要な自然言語機能を取り入れています。 ストーリーには、製品の支持、購入説明、ユーザの好みの要約が含まれる。
  論文  参考訳（メタデータ） (2025-03-14T23:47:46Z)
• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)

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。