論文の概要: Cold-Starts in Generative Recommendation: A Reproducibility Study

• arxiv url: http://arxiv.org/abs/2603.29845v1
• Date: Tue, 31 Mar 2026 15:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.737186
• Title: Cold-Starts in Generative Recommendation: A Reproducibility Study
• Title（参考訳）: ジェネレーションレコメンデーションにおけるコールドスターズ : 再現性の検討
• Authors: Zhen Zhang, Jujia Zhao, Xinyu Ma, Xin Xin, Maarten de Rijke, Zhaochun Ren,
• Abstract要約: コールドスタートレコメンデーションは、オープンワールドプラットフォームにおいて依然として中心的な課題である。 本稿では,コールドスタートプロトコルの統一スイートに基づく生成的推薦の体系的研究について述べる。
• 参考スコア（独自算出の注目度）: 66.21573264364211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cold-start recommendation remains a central challenge in dynamic, open-world platforms, requiring models to recommend for newly registered users (user cold-start) and to recommend newly introduced items to existing users (item cold-start) under sparse or missing interaction signals. Recent generative recommenders built on pre-trained language models (PLMs) are often expected to mitigate cold-start by using item semantic information (e.g., titles and descriptions) and test-time conditioning on limited user context. However, cold-start is rarely treated as a primary evaluation setting in existing studies, and reported gains are difficult to interpret because key design choices, such as model scale, identifier design, and training strategy, are frequently changed together. In this work, we present a systematic reproducibility study of generative recommendation under a unified suite of cold-start protocols.
• Abstract（参考訳）: コールドスタートの推奨は、動的でオープンなプラットフォームにおいて依然として中心的な課題であり、新たに登録されたユーザ(ユーザコールドスタート)に推奨するモデルと、疎いあるいは欠落したインタラクション信号の下で、既存のユーザ(テムコールドスタート)に新たに導入されたアイテムを推奨するモデルが必要である。 プレトレーニング言語モデル(PLM)上に構築された最近の生成レコメンデータは、アイテム意味情報(タイトルや記述など)と限定されたユーザコンテキストによるテストタイム条件付けを使用することで、コールドスタートを緩和することが期待されている。 しかし,従来の研究ではコールドスタートが主要な評価基準として扱われることは稀であり,モデルスケールや識別子設計,トレーニング戦略といった重要な設計選択が頻繁に変更されるため,報告されたゲインの解釈は困難である。 そこで本研究では,冷間開始プロトコルの統一スイートの下で,生成的推薦の体系的再現性について検討する。

関連論文リスト

• Cold-Start Recommendation towards the Era of Large Language Models (LLMs): A Comprehensive Survey and Roadmap [78.26201062505814]
  コールドスタート問題は、リコメンデータシステムにおける長年の課題のひとつだ。 インターネットプラットフォームの普及とユーザやアイテムの指数的な成長により、コールドスタートレコメンデーション(CSR)の重要性が増している。 本稿では、CSRのロードマップ、関連文献、今後の方向性について、包括的なレビューと議論を行う。
  論文  参考訳（メタデータ） (2025-01-03T18:51:18Z)
• Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems [10.133475523630139]
  コールドスタートレコメンデーションは、レコメンダシステム(RS)が直面する大きな課題の1つです。 本稿では,コールドスタートユーザとウォームアップユーザをそれぞれモデル化する専門家モデルに基づいて,コールド&ウォームネットを提案する。 提案モデルはまた,産業用ショートビデオプラットフォーム上に展開され,アプリドウェル時間とユーザ保持率の大幅な向上を実現している。
  論文  参考訳（メタデータ） (2023-09-27T13:31:43Z)
• Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations [38.91330250981614]
  本稿では,言語モデルの文脈内学習に基づくシンプルだが効果的なアプローチであるPromptRecを提案する。 本稿では,データ中心パイプラインを用いたレコメンデータシステムのための小型言語モデルを提案する。 私たちの知る限りでは、システムコールドスタートレコメンデーション問題に取り組む最初の研究である。
  論文  参考訳（メタデータ） (2023-06-29T18:50:12Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Sparsity Regularization For Cold-Start Recommendation [7.848143873095096]
  ユーザ人口統計とユーザ嗜好を組み合わせることで,ユーザベクタのための新しい表現を導入する。 我々は,スパースユーザ・購入行動を利用したコールド・スタート・レコメンデーションのための新しいスパース・逆モデルSRLGANを開発した。 SRLGANを2つの一般的なデータセットで評価し、最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-01-26T02:28:08Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)

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。