論文の概要: ReFORM: Review-aggregated Profile Generation via LLM with Multi-Factor Attention for Restaurant Recommendation

• arxiv url: http://arxiv.org/abs/2603.16236v1
• Date: Tue, 17 Mar 2026 08:22:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.1656
• Title: ReFORM: Review-aggregated Profile Generation via LLM with Multi-Factor Attention for Restaurant Recommendation
• Title（参考訳）: レストランレコメンデーションのための多要素アテンションを用いたLCMによるレビュー集約プロファイル生成
• Authors: Moonsoo Park, Seulbeen Je, Donghyeon Park,
• Abstract要約: 本稿では,複数FactOr Attentive RecoMmendation フレームワークを用いた LLM によるReform: Review-aggregated Profile 生成を提案する。 具体的には、まず LLM を用いたレビューから要素固有のユーザプロファイルとアイテムプロファイルを生成し、アイテムごとのユーザの好みをキャプチャする。 そこで本研究では,ユーザの意思決定プロセスにおいて,最も影響力のある要因を明らかにするための多要素注意を提案する。
• 参考スコア（独自算出の注目度）: 1.0323063834827415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recommender systems, large language models (LLMs) have gained popularity for generating descriptive summarization to improve recommendation robustness, along with Graph Convolution Networks. However, existing LLM-enhanced recommendation studies mainly rely on the internal knowledge of LLMs about item titles while neglecting the importance of various factors influencing users' decisions. Although information reflecting various decision factors of each user is abundant in reviews, few studies have actively exploited such insights for recommendation. To address these limitations, we propose a ReFORM: Review-aggregated Profile Generation via LLM with Multi-FactOr Attentive RecoMmendation framework. Specifically, we first generate factor-specific user and item profiles from reviews using LLM to capture a user's preference by items and an item's evaluation by users. Then, we propose a Multi-Factor Attention to highlight the most influential factors in each user's decision-making process. In this paper, we conduct experiments on two restaurant datasets of varying scales, demonstrating its robustness and superior performance over state-of-the-art baselines. Furthermore, in-depth analyses validate the effectiveness of the proposed modules and provide insights into the sources of personalization. Our source code and datasets are available at https://github.com/m0onsoo/ReFORM.
• Abstract（参考訳）: 推薦システムでは、大きな言語モデル(LLM)がグラフ畳み込みネットワークとともに、推薦の堅牢性を改善するために記述的な要約を生成することで人気を集めている。 しかし,既存のLCM強化レコメンデーション研究は主に項目タイトルに関するLCMの内部知識に依存し,ユーザの判断に影響を及ぼすさまざまな要因の重要性を無視している。 各ユーザのさまざまな決定要因を反映する情報はレビューに多く含まれているが、そのような洞察を積極的に活用する研究はほとんどない。 これらの制約に対処するため,マルチファクトリ・アテンティブ・リコメンデーション・フレームワークを用いたLLMによるReFORM: Review-aggregated Profile Generationを提案する。 具体的には、まず LLM を用いたレビューから要素特異的なユーザプロファイルとアイテムプロファイルを生成し、アイテムごとのユーザの好みとユーザによるアイテム評価をキャプチャする。 そこで本研究では,ユーザの意思決定プロセスにおいて,最も影響力のある要因を明らかにするための多要素注意を提案する。 本稿では,その頑丈さと,最先端のベースラインよりも優れた性能を実証し,様々なスケールのレストランデータセットを実験する。 さらに、詳細な分析により、提案モジュールの有効性を検証し、パーソナライゼーションの源泉に関する洞察を提供する。 ソースコードとデータセットはhttps://github.com/m0onsoo/ReFORM.comで公開されています。

関連論文リスト

• Learning to Shop Like Humans: A Review-driven Retrieval-Augmented Recommendation Framework with LLMs [30.748667156183004]
  RevBrowseはレビュー駆動のレコメンデーションフレームワークである。 RevBrowseは、ユーザレビューをLLMベースのリグレードプロセスに統合し、候補項目を識別する機能を強化する。 PrefRAGは、ユーザとアイテムの表現を構造化形式に分解する検索拡張モジュールである。
  論文  参考訳（メタデータ） (2025-08-31T04:37:43Z)
• DeepRec: Towards a Deep Dive Into the Item Space with Large Language Model Based Recommendation [83.21140655248624]
  大型言語モデル (LLM) はレコメンダシステム (RS) に導入された。 本稿では, LLM と TRM の自律的マルチターンインタラクションを実現する新しい RS である DeepRec を提案する。 公開データセットの実験では、DeepRecは従来のものとLLMベースのベースラインの両方で大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-05-22T15:49:38Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• LLM-based User Profile Management for Recommender System [15.854727020186408]
  PUREは、ユーザレビューから重要な情報を体系的に抽出し、要約することによって、進化するユーザプロファイルを構築し、維持する。 我々は、レビューを時間とともに追加し、予測を漸進的に更新することで、現実のシナリオを反映した連続的なレコメンデーションタスクを導入する。 Amazonデータセットに対する実験結果から、PUREは既存のLCMベースの手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-20T13:20:19Z)
• Few-shot Personalization of LLMs with Mis-aligned Responses [40.0349773257245]
  本稿では,大規模言語モデル(LLM)のパーソナライズのための新しいアプローチを提案する。 私たちのキーとなるアイデアは、LSMを用いてプロンプトを段階的に改善することで、各ユーザに対してパーソナライズされたプロンプトのセットを学ぶことです。 即時改善の反復過程において,LLMによる不整合応答の文脈を取り入れた。
  論文  参考訳（メタデータ） (2024-06-26T18:29:12Z)
• 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)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。