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
• 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

• MermaidSeqBench: An Evaluation Benchmark for LLM-to-Mermaid Sequence Diagram Generation [1.1369235139211635]
  大規模言語モデル(LLM)は、自然言語記述から構造化図を生成する優れた能力を示した。 本稿では,テキストプロンプトからMermaidシーケンス図を生成するLLMの能力を評価するベンチマークであるMermaidSeqBenchを紹介する。 LLM-as-a-judgeモデルを用いて,文法の正確性,アクティベーションハンドリング,エラーハンドリング,実用的ユーザビリティなど,詳細なメトリクス間でのマーメイドシーケンスダイアグラムの生成を評価する。
  論文  参考訳（メタデータ） (2025-11-18T23:14:44Z)
• 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)
• From latent factors to language: a user study on LLM-generated explanations for an inherently interpretable matrix-based recommender system [8.280161440212504]
  大規模言語モデル(LLM)が数学的に解釈可能なレコメンデーションモデルから,効果的なユーザ向け説明を生成できるかどうかを検討する。 本研究は,5次元にわたる説明の質を評価する326人の被験者を対象に実施した。 分析の結果、全ての説明型は概ね好意的であり、戦略間の統計的差異は緩やかであることがわかった。
  論文  参考訳（メタデータ） (2025-09-23T13:30:03Z)
• Hierarchical Interaction Summarization and Contrastive Prompting for Explainable Recommendations [9.082885521130617]
  本稿では、階層的相互作用要約(PGHIS)によるプロファイル生成と、説明生成(CPEG)のための対照的なプロンプトを組み合わせた新しいアプローチを提案する。 提案手法は既存の最先端手法よりも優れており,説明可能性(GPTScoreの5%など)とテキスト品質に関する指標の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-07-08T14:45:47Z)
• EAGER-LLM: Enhancing Large Language Models as Recommenders through Exogenous Behavior-Semantic Integration [60.47645731801866]
  大規模言語モデル(LLM)は、高度なレコメンデータシステムの基本バックボーンとしてますます活用されている。 LLMは事前訓練された言語意味論であるが、llm-Backboneを通してゼロから協調意味論を学ぶ。 内因性行動情報と内因性行動情報とを非侵襲的に統合するデコーダのみの生成推薦フレームワークであるEAGER-LLMを提案する。
  論文  参考訳（メタデータ） (2025-02-20T17:01:57Z)
• 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)
• 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)
• LLMRec: Benchmarking Large Language Models on Recommendation Task [54.48899723591296]
  推奨領域におけるLarge Language Models (LLMs) の適用について, 十分に検討されていない。 我々は、評価予測、シーケンシャルレコメンデーション、直接レコメンデーション、説明生成、レビュー要約を含む5つのレコメンデーションタスクにおいて、市販のLLMをベンチマークする。 ベンチマークの結果,LLMは逐次的・直接的推薦といった精度に基づくタスクにおいて適度な熟練度しか示さないことがわかった。
  論文  参考訳（メタデータ） (2023-08-23T16:32:54Z)
• 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。