論文の概要: EviSnap: Faithful Evidence-Cited Explanations for Cold-Start Cross-Domain Recommendation
- arxiv url: http://arxiv.org/abs/2604.06172v1
- Date: Fri, 09 Jan 2026 18:21:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-19 19:09:11.363663
- Title: EviSnap: Faithful Evidence-Cited Explanations for Cold-Start Cross-Domain Recommendation
- Title（参考訳）: EviSnap: コールドスタートクロスドメイン勧告のための忠実なエビデンス中心の説明
- Authors: Yingjun Dai, Ahmed El-Roby,
- Abstract要約: EviSnapは軽量なCDRフレームワークであり、その予測はエビデンスに励まされ忠実な合理性による構築によって説明される。
EviSnapは、LLMオフラインを使用してノイズの多いレビューをコンパクトなファセットカードに蒸留し、各ファセットと動詞のサポート文をペアリングする。
次に、ファセット埋め込みをクラスタ化して共有ドメインに依存しないコンセプトバンクを誘導し、ユーザ陽性、ユーザ陰性、アイテムプレゼンスの概念アクティベーションを計算する。
単一のコンセプト・ツー・コンセプトマップは、ユーザをドメイン間で転送し、線形スコアリングヘッドは、概念ごとの付加的なコントリビューションを生成する。
- 参考スコア（独自算出の注目度）: 2.012461155840431
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cold-start cross-domain recommender (CDR) systems predict a user's preferences in a target domain using only their source-domain behavior, yet existing CDR models either map opaque embeddings or rely on post-hoc or LLM-generated rationales that are hard to audit. We introduce EviSnap a lightweight CDR framework whose predictions are explained by construction with evidence-cited, faithful rationales. EviSnap distills noisy reviews into compact facet cards using an LLM offline, pairing each facet with verbatim supporting sentences. It then induces a shared, domain-agnostic concept bank by clustering facet embeddings and computes user-positive, user-negative, and item-presence concept activations via evidence-weighted pooling. A single linear concept-to-concept map transfers users across domains, and a linear scoring head yields per-concept additive contributions, enabling exact score decompositions and counterfactual 'what-if' edits grounded in the cited sentences. Experiments on the Amazon Reviews dataset across six transfers among Books, Movies, and Music show that EviSnap consistently outperforms strong mapping and review-text baselines while passing deletion- and sufficiency-based tests for explanation faithfulness.
- Abstract（参考訳）: コールドスタートクロスドメインレコメンダ(CDR)システムは、ソースドメインの振る舞いのみを使用して、ターゲットドメインにおけるユーザの好みを予測するが、既存のCDRモデルは、不透明な埋め込みをマップするか、監査が難しいポストホックまたはLCM生成論理に依存している。
我々はエビSnapを軽量なCDRフレームワークとして導入し、エビデンスを動機とした忠実な理性の構築によって予測を説明する。
EviSnapは、LLMオフラインを使用してノイズの多いレビューをコンパクトなファセットカードに蒸留し、各ファセットと動詞のサポート文をペアリングする。
次に、ファセット埋め込みをクラスタリングすることで、共有ドメインに依存しないコンセプトバンクを誘導し、エビデンス重み付きプールを通じて、ユーザ陽性、ユーザ陰性、およびアイテム存在の概念アクティベーションを計算する。
単一のコンセプト・ツー・コンセプトマップは、ユーザをドメイン間で転送し、線形スコアリングヘッドは、コンセプション毎の付加的なコントリビューションを出力し、正確なスコアの分解と、引用された文章に根拠付けられた反ファクト的な「What-if」編集を可能にする。
書籍、映画、音楽の6つの転送を対象とするAmazon Reviewsデータセットの実験では、EviSnapは強いマッピングとレビューテキストベースラインを一貫して上回り、削除と満足度に基づく説明忠実度テストに合格している。
関連論文リスト
- Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。
LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
論文 参考訳（メタデータ） (2025-11-15T02:50:23Z) - Vectorized Context-Aware Embeddings for GAT-Based Collaborative Filtering [0.0]
本稿では,Large Language Model (LLM) により拡張されたグラフ注意ネットワーク(GAT)ベースの協調フィルタリングフレームワークについて述べる。
MovieLens 100kと1Mデータセットの実験では、Precision、NDCG、MAPの最先端ベースラインに対して一貫した改善が見られた。
提案手法は,LLMに基づく文脈理解をグラフアーキテクチャに組み込むことで,空間性やコールドスタートの制限を効果的に緩和する。
論文 参考訳（メタデータ） (2025-10-30T13:07:39Z) - Aligning Deep Implicit Preferences by Learning to Reason Defensively [22.548051297731416]
優先推論のギャップを埋めるために,批判駆動推論アライメント(CDRA)を提案する。
CDRAはスカラー報酬マッチングタスクから構造化推論プロセスにアライメントを再構成する。
実験により、CDRAは、堅牢な推論を実行しながら、ユーザの真の嗜好を発見し、整合するのに優れていることが示された。
論文 参考訳（メタデータ） (2025-10-13T09:26:47Z) - RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。
アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。
我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
論文 参考訳（メタデータ） (2025-09-03T08:33:43Z) - RecGPT: A Foundation Model for Sequential Recommendation [16.464972558861497]
我々は、真にゼロショットの一般化機能を実現するための逐次レコメンデーションのための基礎モデルを開発する。
提案手法は,テキスト機能のみからアイテム表現を導出することで,既存のIDベースの手法から逸脱する。
我々は、不均一なテキスト記述を標準化された離散トークンに変換するFinite Scalar Quantizationと統合されたアイテムトークン化を導入する。
論文 参考訳（メタデータ） (2025-06-06T17:53:02Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation [11.61586672399166]
クロスドメインレコメンデーション(CDR)が有望なソリューションとして登場した。
しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。
そこで本稿では,ユーザ意図の微粒化を捉えるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-19T16:20:42Z) - DetCLIP: Dictionary-Enriched Visual-Concept Paralleled Pre-training for
Open-world Detection [118.36746273425354]
本稿では,デザインされた概念辞書から知識の豊かさを生かして,オープンワールド検出のための並列視覚概念事前学習手法を提案する。
概念をそれらの記述で豊かにすることにより、オープンドメイン学習を促進するために、さまざまな概念間の関係を明確に構築する。
提案フレームワークは、例えばLVISデータセット上で、強力なゼロショット検出性能を示し、私たちのDetCLIP-TはGLIP-Tを9.9%向上させ、レアカテゴリで13.5%改善した。
論文 参考訳（メタデータ） (2022-09-20T02:01:01Z) - Divide to Adapt: Mitigating Confirmation Bias for Domain Adaptation of
Black-Box Predictors [94.78389703894042]
ドメイン適応(Domain Adaptation of Black-box Predictor、DABP)は、ソースドメインでトレーニングされたブラックボックス予測器によって管理されるラベルなしのターゲットドメイン上のモデルを学習することを目的としている。
ソースドメインデータと予測パラメータの両方にアクセスする必要はないため、標準ドメイン適応におけるデータのプライバシとポータビリティの問題に対処する。
本稿では,知識蒸留と雑音ラベル学習を一貫した枠組みに組み込む新しい手法BETAを提案する。
論文 参考訳（メタデータ） (2022-05-28T16:00:44Z)
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。