論文の概要: Combating data scarcity in recommendation services: Integrating cognitive types of VARK and neural network technologies (LLM)

• arxiv url: http://arxiv.org/abs/2603.03309v1
• Date: Sun, 08 Feb 2026 16:42:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.136914
• Title: Combating data scarcity in recommendation services: Integrating cognitive types of VARK and neural network technologies (LLM)
• Title（参考訳）: 推薦サービスにおけるデータ不足の圧縮:認知型VARKとニューラルネットワーク技術(LLM)の統合
• Authors: Nikita Zmanovskii,
• Abstract要約: このフレームワークは、セマンティックメタデータの強化、動的グラフ構築、VARKベースのプロファイリング、メンタル状態推定、LLMによるランキング付きグラフ強化検索、反復学習による適応インタフェース設計の6つの統合コンポーネントから構成される。 本研究は、セマンティック理解と心理的モデリングを通じて冷戦開始制限を克服し、初期ユーザからのパーソナライズされた説明可能なレコメンデーションを提供する認知的認識型レコメンデーションシステムの基礎を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cold start scenarios present fundamental obstacles to effective recommendation generation, particularly when dealing with users lacking interaction history or items with sparse metadata. This research proposes an innovative hybrid framework that leverages Large Language Models (LLMs) for content semantic analysis and knowledge graph development, integrated with cognitive profiling based on VARK (Visual, Auditory, Reading/Writing, Kinesthetic) learning preferences. The proposed system tackles multiple cold start dimensions: enriching inadequate item descriptions through LLM processing, generating user profiles from minimal data, and dynamically adjusting presentation formats based on cognitive assessment. The framework comprises six integrated components: semantic metadata enhancement, dynamic graph construction, VARK-based profiling, mental state estimation, graph-enhanced retrieval with LLM-powered ranking, and adaptive interface design with iterative learning. Experimental validation on MovieLens-1M dataset demonstrates the system's capacity for personalized recommendation generation despite limited initial information. This work establishes groundwork for cognitively-aware recommendation systems capable of overcoming cold start limitations through semantic comprehension and psychological modeling, offering personalized, explainable recommendations from initial user contact.
• Abstract（参考訳）: コールドスタートシナリオは、特にインタラクション履歴の欠如やスパースメタデータを持つアイテムを扱う場合に、効果的なレコメンデーション生成の基本的な障害となる。 本研究は,VARK(Visual, Auditory, Reading/Writing, Kinesthetic)学習の嗜好に基づく認知プロファイリングと統合された,コンテンツ意味解析と知識グラフ開発にLarge Language Models(LLMs)を活用する,革新的なハイブリッドフレームワークを提案する。 提案システムは,LLM処理による不適切な項目記述の充実,最小限のデータからユーザプロファイルの生成,認知的評価に基づくプレゼンテーションフォーマットの動的調整など,複数のコールドスタート次元に対処する。 このフレームワークは、セマンティックメタデータの強化、動的グラフ構築、VARKベースのプロファイリング、メンタル状態推定、LLMによるランキング付きグラフ強化検索、反復学習による適応インタフェース設計の6つの統合コンポーネントから構成される。 MovieLens-1Mデータセットの実験的検証は、限られた初期情報にもかかわらず、パーソナライズされたレコメンデーション生成のためのシステムの能力を示す。 本研究は、セマンティック理解と心理的モデリングを通じて冷戦開始制限を克服し、初期ユーザからのパーソナライズされた説明可能なレコメンデーションを提供する認知的認識型レコメンデーションシステムの基礎を確立する。

関連論文リスト

• A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
  ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
  論文  参考訳（メタデータ） (2025-10-31T04:02:58Z)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [52.40798352740857]
  3つのコアコンポーネントで構成されるICU(Iterative Contrastive Unlearning)フレームワークを紹介する。 知識未学習誘導モジュールは、未学習の損失を使用して、特定の知識を除去するためにターゲットとする。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を保持する。 イテレーティブ・アンラーニング・リファインメントモジュールは、進行中の評価と更新を通じて、アンラーニングプロセスを動的に調整する。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• Representation Learning with Large Language Models for Recommendation [33.040389989173825]
  本稿では,大規模言語モデル (LLM) を用いた表現学習によるレコメンデータの強化を目的とした,モデルに依存しないフレームワーク RLMRec を提案する。 RLMRecには補助的なテキスト信号が組み込まれており、LLMが権限を持つユーザ/イテムプロファイリングパラダイムを開発し、LLMの意味空間と協調的関係信号の表現空間を整合させる。
  論文  参考訳（メタデータ） (2023-10-24T15:51:13Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)

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。