論文の概要: Enhancing Local Life Service Recommendation with Agentic Reasoning in Large Language Model

• arxiv url: http://arxiv.org/abs/2604.14051v1
• Date: Wed, 15 Apr 2026 16:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.636403
• Title: Enhancing Local Life Service Recommendation with Agentic Reasoning in Large Language Model
• Title（参考訳）: 大規模言語モデルにおけるエージェント推論による地域生活推薦の強化
• Authors: Shiteng Cao, Xiaochong Lan, Yuwei Du, Jie Feng, Yinxing Liu, Xinlei Shi, Yong Li,
• Abstract要約: 本稿では,生活ニーズ予測とサービスレコメンデーションを共同で行う,新しい大規模言語モデルに基づくフレームワークを提案する。 生の消費データにおけるノイズに対処するために,行動クラスタリング手法を導入する。 多様なニーズや商店、複雑な地図作成経路から生じる広大な検索空間をナビゲートするために、カリキュラム学習戦略を採用している。
• 参考スコア（独自算出の注目度）: 9.249319850614924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Local life service recommendation is distinct from general recommendation scenarios due to its strong living need-driven nature. Fundamentally, accurately identifying a user's immediate living need and recommending the corresponding service are inextricably linked tasks. However, prior works typically treat them in isolation, failing to achieve a unified modeling of need prediction and service recommendation. In this paper, we propose a novel large language model based framework that jointly performs living need prediction and service recommendation. To address the challenge of noise in raw consumption data, we introduce a behavioral clustering approach that filters out accidental factors and selectively preserves typical patterns. This enables the model to learn a robust logical basis for need generation and spontaneously generalize to long-tail scenarios. To navigate the vast search space stemming from diverse needs, merchants, and complex mapping paths, we employ a curriculum learning strategy combined with reinforcement learning with verifiable rewards. This approach guides the model to sequentially learn the logic from need generation to category mapping and specific service selection. Extensive experiments demonstrate that our unified framework significantly enhances both living need prediction performance and recommendation accuracy, validating the effectiveness of jointly modeling living needs and user behaviors.
• Abstract（参考訳）: 地域生活のレコメンデーションは、その強い生活ニーズ駆動性のため、一般的なレコメンデーションシナリオとは異なっている。 基本的に、ユーザの即時生活ニーズを正確に識別し、対応するサービスを推奨することは、厳密にはリンクされていないタスクである。 しかしながら、以前の作業は通常、それらを分離して扱い、要求予測とサービスレコメンデーションの統一的なモデリングを達成できなかった。 本稿では,生活ニーズ予測とサービスレコメンデーションを共同で行う,新しい大規模言語モデルに基づくフレームワークを提案する。 生の消費データにおけるノイズに対処するため,事故要因を抽出し,典型的なパターンを選択的に保存する行動クラスタリング手法を提案する。 これにより、モデルは要求生成のための堅牢な論理的基礎を学習し、自発的にロングテールシナリオに一般化することができる。 多様なニーズ,商店,複雑な地図作成経路から生じる広大な検索空間を探索するために,強化学習と検証可能な報酬を組み合わせたカリキュラム学習戦略を採用する。 このアプローチは、要求生成からカテゴリマッピング、特定のサービス選択に至るまで、論理をシーケンシャルに学習するモデルを導きます。 総合的な実験により、我々の統合されたフレームワークは、生活ニーズ予測性能と推奨精度の両方を著しく向上させ、生活ニーズとユーザ行動の協調モデリングの有効性を検証した。

関連論文リスト

• A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
  ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
  論文  参考訳（メタデータ） (2025-10-31T04:02:58Z)
• Zero-Shot Human Mobility Forecasting via Large Language Model with Hierarchical Reasoning [27.096256356447117]
  ZHMFはゼロショット人間の移動予測のためのフレームワークである。 セマンティック強化された検索とリフレクション機構と階層型言語モデルに基づく推論システムを組み合わせる。
  論文  参考訳（メタデータ） (2025-09-20T08:46:38Z)
• Delphos: A reinforcement learning framework for assisting discrete choice model specification [0.0]
  我々は、個別選択モデル仕様プロセスを支援するための深層強化学習フレームワークであるDelphosを紹介する。 この設定では、エージェントは、モデリングアクションのシーケンスを選択して、良好なパフォーマンスのモデル候補を特定することを学習する。 我々は,モデル空間と報酬関数のサイズを変化させ,シミュレーションと経験的データセットの両方でDelphosを評価した。
  論文  参考訳（メタデータ） (2025-06-06T15:40:16Z)
• Preference Learning for AI Alignment: a Causal Perspective [55.2480439325792]
  私たちはこの問題を因果パラダイムに枠組み化し、永続的な課題を特定するための因果関係の豊富なツールボックスを提供します。 因果推論の文献を継承し、信頼性の高い一般化に必要な重要な仮定を特定する。 そこで本研究では, 因果関係に基づくアプローチがモデルロバスト性をいかに改善するかを, ナイーブ報酬モデルの障害モードを例示する。
  論文  参考訳（メタデータ） (2025-06-06T10:45:42Z)
• Open-Set Living Need Prediction with Large Language Models [49.9826719837983]
  Meituanのようなライフサービスプラットフォームでは、ユーザー購入は生活ニーズによって駆動され、パーソナライズされたサービスレコメンデーションにとって、正確な生活ニーズ予測が不可欠である。 従来のアプローチでは、この予測をクローズドセットの分類問題として扱い、生活ニーズの多様性と複雑さを捉える能力を著しく制限している。 本稿では,大規模言語モデル(LLM)を利用した制約のないニーズ予測システムであるPIGEONを提案する。 現実世界のデータセットに関する大規模な実験では、PIGEONは平均19.37%の要求に基づくライフサービスリコールにおいて、クローズドセットのアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-03T10:10:19Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems [51.09233156090496]
  ディープレコメンデータシステムのためのSurrogatE-Light特徴選択法 SELFは、大規模言語モデルからのセマンティック推論と、代理モデルからのタスク固有の学習を統合する。 実世界のレコメンデータプラットフォームからの3つの公開データセットに関する総合的な実験は、SELFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-11T16:28:18Z)
• A Recommendation Model Utilizing Separation Embedding and Self-Attention for Feature Mining [7.523158123940574]
  レコメンデーションシステムは、ユーザのニーズを満たすコンテンツをユーザに提供します。 従来のクリックスルーレート予測とTOP-Kレコメンデーションメカニズムはレコメンデーションのニーズを満たすことができない。 本稿では,ネットワーク間の分離に基づくレコメンデーションシステムモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-19T07:49:21Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)

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。