論文の概要: TagLLM: A Fine-Grained Tag Generation Approach for Note Recommendation

• arxiv url: http://arxiv.org/abs/2603.21481v1
• Date: Mon, 23 Mar 2026 02:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.438043
• Title: TagLLM: A Fine-Grained Tag Generation Approach for Note Recommendation
• Title（参考訳）: TagLLM:ノートレコメンデーションのための細粒度タグ生成手法
• Authors: Zhijian Chen, Likai Wang, Lei Chen, Yaguang Dou, Jialiang Shi, Tian Qi, Dongdong Hao, Mengying Lu, Cheng Ye, Chao Wei,
• Abstract要約: そこで我々は,ノートレコメンデーションのための微粒なタグ生成手法であるTagLLMを提案する。 TagLLMはUser Interest Handbookを通じてノートカテゴリーのユーザー関心をキャプチャする。 タッグ知識蒸留法は, 競合生成能力を持つ小型モデルを装備するために開発された。
• 参考スコア（独自算出の注目度）: 10.863229067840342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have shown promising potential in E-commerce community recommendation. While LLMs and Multimodal LLMs (MLLMs) are widely used to encode notes into implicit embeddings, leveraging their generative capabilities to represent notes with interpretable tags remains unexplored. In the field of tag generation, traditional close-ended methods heavily rely on the design of tag pools, while existing open-ended methods applied directly to note recommendations face two limitations: (1) MLLMs lack guidance during generation, resulting in redundant tags that fail to capture user interests; (2) The generated tags are often coarse and lack fine-grained representation of notes, interfering with downstream recommendations. To address these limitations, we propose TagLLM, a fine-grained tag generation method for note recommendation. TagLLM captures user interests across note categories through a User Interest Handbook and constructs fine-grained tag data using multimodal CoT Extraction. A Tag Knowledge Distillation method is developed to equip small models with competitive generation capabilities, enhancing inference efficiency. In online A/B test, TagLLM increases average view duration per user by 0.31%, average interactions per user by 0.96%, and page view click-through rate in cold-start scenario by 32.37%, demonstrating its effectiveness.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、Eコマースコミュニティの推奨に有望な可能性を示している。 LLMとMLLM(Multimodal LLM)は暗黙の埋め込みにノートをエンコードするために広く使われているが、解釈可能なタグでノートを表現するためにそれらの生成能力を活用することは、まだ探索されていない。 タグ生成の分野では、従来のクローズドメソッドはタグプールの設計に大きく依存するが、既存のオープンエンドメソッドはノートレコメンデーションに直接適用されている。(1)MLLMは、生成時にガイダンスが欠如し、ユーザ関心を捉えることができない冗長タグが生じる。 これらの制約に対処するため,ノートレコメンデーションのための微粒なタグ生成手法であるTagLLMを提案する。 TagLLMは、ユーザ関心ハンドブックを通じてノートカテゴリ間のユーザ関心をキャプチャし、マルチモーダルCoT抽出を用いてきめ細かいタグデータを構築する。 タッグ知識蒸留法は, 競合生成能力を持つ小型モデルを装備し, 推論効率を向上させるために開発された。 オンラインA/Bテストでは、TagLLMは、ユーザ毎の平均ビュー期間を0.31%、ユーザ毎の平均インタラクションを0.96%、コールドスタートシナリオにおけるページビュークリックスルー率を32.37%増加させ、その効果を示した。

関連論文リスト

• Are Multimodal Large Language Models Good Annotators for Image Tagging? [62.01475514488922]
  本稿では,MLLMの生成するアノテーションと人間のアノテーションのギャップを分析することを目的とする。 本稿では,MLLM生成アノテーションと人間のアノテーションのギャップを狭めることを目的とした,画像タグ付けのための新しいフレームワークであるTagLLMを提案する。
  論文  参考訳（メタデータ） (2026-02-24T14:53:16Z)
• MLLMRec: Exploring the Potential of Multimodal Large Language Models in Recommender Systems [8.744074431975019]
  本稿では,MLLM方式のマルチモーダル・レコメンデーション・フレームワークを提案する。 MLLMRecは、最高のベースラインよりも平均38.53%改善して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-21T06:50:00Z)
• LLM4Tag: Automatic Tagging System for Information Retrieval via Large Language Models [32.00181672539555]
  大規模言語モデル(LLM)は、多岐にわたる世界知識、意味理解、推論能力のためにタグ付けシステムに適用されている。 パフォーマンスは優れていますが、既存のメソッドには制限があります。 グラフベースのタグリコールモジュールは、小規模で関連性の高いタグセットを効果的かつ包括的に構築するように設計されている。 長期的および短期的な知識注入を伴う正確なタグを生成するために、知識強化タグ生成モジュールが使用される。 タグ信頼度スコアを生成するためにタグ信頼度判定モジュールを導入する。
  論文  参考訳（メタデータ） (2025-02-19T07:10:23Z)
• Leveraging Large Language Models for Effective Label-free Node Classification in Text-Attributed Graphs [10.538099379851198]
  Locleは、LLMによるラベルなしノード分類を費用対効果で行う、アクティブなセルフトレーニングフレームワークである。 これは、GNNを用いて少数の「クリティカル」サンプルを反復的に識別し、LLMとGNNの両方で情報的擬似ラベルを抽出する。 ラベルのないノード分類では、同じクエリ予算で最先端のメソッドをLLMに大幅に上回ります。
  論文  参考訳（メタデータ） (2024-12-16T17:04:40Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)
• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• Ground Truth Inference for Weakly Supervised Entity Matching [76.6732856489872]
  弱監督タスクのための単純だが強力なラベル付けモデルを提案する。 次に、エンティティマッチングのタスクに特化してラベルモデルを調整します。 その結果,従来の手法よりもF1スコアが9%高い結果が得られた。
  論文  参考訳（メタデータ） (2022-11-13T17:57:07Z)
• Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
  既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。 ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
  論文  参考訳（メタデータ） (2020-05-18T15:27:55Z)

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。