論文の概要: Iterative Semantic Reasoning from Individual to Group Interests for Generative Recommendation with LLMs

• arxiv url: http://arxiv.org/abs/2603.13934v1
• Date: Sat, 14 Mar 2026 13:05:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.496443
• Title: Iterative Semantic Reasoning from Individual to Group Interests for Generative Recommendation with LLMs
• Title（参考訳）: LLMを用いたジェネレーションレコメンデーションのための個人からグループへの反復的セマンティック推論
• Authors: Xiaofei Zhu, Jinfei Chen, Feiyang Yuan, Zhou Yang,
• Abstract要約: 勧告システムは、過去の行動からユーザの興味を学習し、関連するアイテムを提供することを目的としている。 生成レコメンデーションのための反復意味推論フレームワークを提案する。 Sports, Beauty, Toysデータセットの実験では、ISRFが最先端のベースラインより優れていることが示されている。
• 参考スコア（独自算出の注目度）: 4.392197928413105
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recommendation systems aim to learn user interests from historical behaviors and deliver relevant items. Recent methods leverage large language models (LLMs) to construct and integrate semantic representations of users and items for capturing user interests. However, user behavior theories suggest that truly understanding user interests requires not only semantic integration but also semantic reasoning from explicit individual interests to implicit group interests. To this end, we propose an Iterative Semantic Reasoning Framework (ISRF) for generative recommendation. ISRF leverages LLMs to bridge explicit individual interests and implicit group interests in three steps. First, we perform multi-step bidirectional reasoning over item attributes to infer semantic item features and build a semantic interaction graph capturing users' explicit interests. Second, we generate semantic user features based on the semantic item features and construct a similarity-based user graph to infer the implicit interests of similar user groups. Third, we adopt an iterative batch optimization strategy, where individual explicit interests directly guide the refinement of group implicit interests, while group implicit interests indirectly enhance individual modeling. This iterative process ensures consistent and progressive interest reasoning, enabling more accurate and comprehensive user interest learning. Extensive experiments on the Sports, Beauty, and Toys datasets demonstrate that ISRF outperforms state-of-the-art baselines. The code is available at https://github.com/htired/ISRF.
• Abstract（参考訳）: 勧告システムは、過去の行動からユーザの興味を学習し、関連するアイテムを提供することを目的としている。 近年の手法では大きな言語モデル(LLM)を用いてユーザとアイテムの意味表現を構築し統合し,ユーザの興味を捉えている。 しかし、ユーザ行動理論は、ユーザの興味を真に理解するためには、意味的な統合だけでなく、明示的な個人的関心から暗黙的なグループ的関心への意味的推論が必要であることを示唆している。 そこで本研究では,生成的レコメンデーションのためのIterative Semantic Reasoning Framework (ISRF)を提案する。 ISRFはLSMを活用して、明示的な個人的関心と暗黙的なグループ的関心を3つのステップでブリッジする。 まず、アイテム属性に対する多段階の双方向推論を行い、セマンティックアイテムの特徴を推測し、ユーザの明示的な関心を捉えたセマンティックインタラクショングラフを構築する。 次に、セマンティックな項目の特徴に基づいてセマンティックなユーザ特徴を生成し、類似性に基づくユーザグラフを構築し、類似したユーザグループの暗黙的な関心を推測する。 第3に、個別の明示的な関心がグループ暗黙の関心の洗練を直接導く反復的バッチ最適化戦略を採用し、グループ暗示的な関心は個別のモデリングを間接的に強化する。 この反復的なプロセスは、一貫性とプログレッシブな利子推論を保証し、より正確で包括的なユーザ利子学習を可能にします。 Sports, Beauty, Toysデータセットの大規模な実験は、ISRFが最先端のベースラインを上回っていることを示している。 コードはhttps://github.com/htired/ISRFで公開されている。

関連論文リスト

• RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
  RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。 アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。 我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
  論文  参考訳（メタデータ） (2025-09-03T08:33:43Z)
• LLM-Driven Dual-Level Multi-Interest Modeling for Recommendation [12.89199121698673]
  大規模言語モデル (LLM) は、その豊富な知識と強力な推論能力により、多言語分析において大きな可能性を示す。 より効果的なレコメンデーションのためのLLM駆動型デュアルレベル多目的モデリングフレームワークを提案する。 実世界のデータセットの実験は、最先端の手法に対する我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2025-07-15T02:13:54Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• 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)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。