論文の概要: DUET: Joint Exploration of User Item Profiles in Recommendation System

• arxiv url: http://arxiv.org/abs/2604.13801v1
• Date: Wed, 15 Apr 2026 12:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.533637
• Title: DUET: Joint Exploration of User Item Profiles in Recommendation System
• Title（参考訳）: DUET:レコメンデーションシステムにおけるユーザ項目プロファイルの共同探索
• Authors: Yue Chen, Yifei Sun, Lu Wang, Fangkai Yang, Pu Zhao, Minjie Hong, Yifei Dong, Minghua He, Nan Hu, Jianjin Zhang, Zhiwei Dai, Yuefeng Zhan, Weihao Han, Hao Sun, Qingwei Lin, Weiwei Deng, Feng Sun, Qi Zhang, Saravan Rajmohan, Dongmei Zhang,
• Abstract要約: 本稿では,ユーザやアイテムに対して効果的なテキストプロファイルを構築する方法について検討する。 最大の難点は、最高のプロファイルフォーマットがプリオリを知らないことである。 ユーザ履歴とアイテムエビデンスの両方で条件付きユーザプロファイルとアイテムプロファイルを共同で生成するインタラクション対応プロファイル生成器であるDuetを提案する。
• 参考スコア（独自算出の注目度）: 64.09357667290634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional recommendation systems represent users and items as dense vectors and learn to align them in a shared latent space for relevance estimation. Recent LLM-based recommenders instead leverage natural-language representations that are easier to interpret and integrate with downstream reasoning modules. This paper studies how to construct effective textual profiles for users and items, and how to align them for recommendation. A central difficulty is that the best profile format is not known a priori: manually designed templates can be brittle and misaligned with task objectives. Moreover, generating user and item profiles independently may produce descriptions that are individually plausible yet semantically inconsistent for a specific user--item pair. We propose Duet, an interaction-aware profile generator that jointly produces user and item profiles conditioned on both user history and item evidence. Duet follows a three-stage procedure: it first turns raw histories and metadata into compact cues, then expands these cues into paired profile prompts and then generate profiles, and finally optimizes the generation policy with reinforcement learning using downstream recommendation performance as feedback. Experiments on three real-world datasets show that Duet consistently outperforms strong baselines, demonstrating the benefits of template-free profile exploration and joint user-item textual alignment.
• Abstract（参考訳）: 従来のレコメンデーションシステムは、ユーザやアイテムを密度の高いベクトルとして表現し、それらを関連性評価のために共有潜在空間に整列させることを学ぶ。 近年のLLMベースのレコメンデータは、下流の推論モジュールの解釈や統合が容易な自然言語表現を活用している。 本稿では,ユーザやアイテムに対する効果的なテキストプロファイルの構築方法と,それをレコメンデーションに適合させる方法について検討する。 手動で設計したテンプレートは不安定であり、タスクの目的と不一致である。 さらに、ユーザプロファイルとアイテムプロファイルを独立して生成することで、特定のユーザペアに対して意味的に一貫性のない、個々に妥当な記述を生成することができる。 ユーザ履歴とアイテムエビデンスの両方で条件付きユーザプロファイルとアイテムプロファイルを共同で生成するインタラクション対応プロファイル生成器であるDuetを提案する。 最初は生の履歴とメタデータをコンパクトなキューに変換し、その後、これらのキューをペア化されたプロファイルプロンプトに拡張し、プロファイルを生成し、最後に、ダウンストリームレコメンデーションパフォーマンスをフィードバックとして使用して、強化学習による生成ポリシーを最適化する。 3つの実世界のデータセットの実験では、Duetは強いベースラインを一貫して上回り、テンプレートのないプロファイル探索とユーザと共同でテキストアライメントの利点を示している。

関連論文リスト

• ProEx: A Unified Framework Leveraging Large Language Model with Profile Extrapolation for Recommendation [37.16564338237594]
  多面プロファイル外挿(ProEx)を用いた統合レコメンデーションフレームワークを提案する。 ProExを3つの識別法と3つの生成法に適用し、3つのデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2025-11-30T00:24:24Z)
• LettinGo: Explore User Profile Generation for Recommendation System [45.40232561275015]
  本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。 我々のフレームワークは、推奨精度、柔軟性、文脈認識を著しく向上させます。
  論文  参考訳（メタデータ） (2025-06-23T05:51:52Z)
• Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
  我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。 我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
  論文  参考訳（メタデータ） (2025-05-01T22:02:46Z)
• Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale [53.059480071818136]
  大規模言語モデル(LLM)は、幅広いタスクでユーザのためのパーソナライズされたアシスタントとして登場した。 PERSONAMEMは180以上のユーザ-LLMインタラクション履歴を持つキュレートされたユーザプロファイルを備えている。 LLMチャットボットのユーザプロファイルの現在状況に応じて,最も適切な応答を識別する能力を評価する。
  論文  参考訳（メタデータ） (2025-04-19T08:16:10Z)
• User Profile with Large Language Models: Construction, Updating, and Benchmarking [0.3350491650545292]
  高品質なオープンソースユーザプロファイルデータセットを2つ提示する。 これらのデータセットは、ユーザープロファイルモデリング技術を評価するための強力な基盤を提供する。 プロファイル構築と更新の両方に対処するために,大規模言語モデルを用いた方法論を示す。
  論文  参考訳（メタデータ） (2025-02-15T03:57:52Z)
• Prompt Tuning as User Inherent Profile Inference Machine [68.16976932088708]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 UserIP-Tuningは最先端のレコメンデーションアルゴリズムより優れている。 提案されたソリューションは2025年5月からHuawei AppGalleryのExploreページにデプロイされている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)

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。