論文の概要: Sequence-aware Large Language Models for Explainable Recommendation

• arxiv url: http://arxiv.org/abs/2603.24136v1
• Date: Wed, 25 Mar 2026 10:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.23774
• Title: Sequence-aware Large Language Models for Explainable Recommendation
• Title（参考訳）: 説明可能なレコメンデーションのためのシーケンス対応大規模言語モデル
• Authors: Gangyi Zhang, Runzhe Teng, Chongming Gao,
• Abstract要約: 大規模言語モデル(LLM)は、レコメンダシステムのための自然言語の説明を生成する強力な可能性を示している。 本稿では,説明生成とユーティリティ・アウェア・アセスメントを統合したフレームワークを提案する。 統合評価フレームワークは、テキスト品質とそれらの推奨結果への影響の両方を通して、説明を評価する。
• 参考スコア（独自算出の注目度）: 5.503509958032475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shown strong potential in generating natural language explanations for recommender systems. However, existing methods often overlook the sequential dynamics of user behavior and rely on evaluation metrics misaligned with practical utility. We propose SELLER (SEquence-aware LLM-based framework for Explainable Recommendation), which integrates explanation generation with utility-aware evaluation. SELLER combines a dual-path encoder-capturing both user behavior and item semantics with a Mixture-of-Experts adapter to align these signals with LLMs. A unified evaluation framework assesses explanations via both textual quality and their effect on recommendation outcomes. Experiments on public benchmarks show that SELLER consistently outperforms prior methods in explanation quality and real-world utility.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、レコメンダシステムのための自然言語説明を生成する強力な可能性を示している。 しかし,既存手法はユーザ行動の逐次的ダイナミクスを無視し,実用性に反する評価指標に依存していることが多い。 SELLER (Sequence-aware LLM-based framework for Explainable Recommendation) を提案する。 SELLERは、ユーザ動作とアイテムセマンティクスの両方をキャプチャするデュアルパスエンコーダとMixture-of-Expertsアダプタを組み合わせて、これらの信号をLLMと整列させる。 統合評価フレームワークは、テキスト品質とそれらの推奨結果への影響の両方を通して、説明を評価する。 公開ベンチマークの実験では、SELLERは品質と実世界の実用性を説明する従来の手法よりも一貫して優れていた。

関連論文リスト

• MADREC: A Multi-Aspect Driven LLM Agent for Explainable and Adaptive Recommendation [11.430206422495829]
  マルチアスペクト駆動型LLMエージェントMADRecは、レビューからマルチアスペクト情報の教師なし抽出によってユーザとアイテムのプロファイルを構築する自動レコメンデータである。 MADRecはアスペクトカテゴリに基づく要約を通じて構造化プロファイルを生成し、高密度入力を構築するためにRe-Rankingを適用する。 複数の領域にわたる実験により、MADRecは従来のLCMベースのベースラインよりも精度と説明可能性の両方で優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-15T10:03:29Z)
• 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)
• RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
  大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。 本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。 効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
  論文  参考訳（メタデータ） (2023-11-18T03:05:43Z)
• Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models [115.7508325840751]
  近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。 本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。 LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:12:43Z)

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。