論文の概要: CPGRec+: A Balance-oriented Framework for Personalized Video Game Recommendations

• arxiv url: http://arxiv.org/abs/2604.14586v2
• Date: Sun, 19 Apr 2026 01:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 13:51:31.124102
• Title: CPGRec+: A Balance-oriented Framework for Personalized Video Game Recommendations
• Title（参考訳）: CPGRec+: パーソナライズされたビデオゲームレコメンデーションのためのバランス指向フレームワーク
• Authors: Xiping Li, Aier Yang, Jianghong Ma, Kangzhe Liu, Shanshan Feng, Haijun Zhang, Yi Zhao,
• Abstract要約: 本稿では, Preference-informed Edge Reweighting (PER) モジュールと Preference-informed Representation Generation (PRG) モジュールを提案する。 PERモジュールは署名されたエッジウェイトを割り当て、重要なプレーヤの興味や関心を質的に区別すると同時に、グラフ畳み込みにおけるオーバー・スムーシングを軽減するために、好みの強度を定量的に測定する。 PRGモジュールはLLMを活用して、グローバルと個人の利益の比較から個人の好みを推論することで、ゲームとプレイヤーのコンテキスト化された記述を生成する。
• 参考スコア（独自算出の注目度）: 26.80916834756631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of gaming industry requires advanced recommender systems tailored to its dynamic landscape. Existing Graph Neural Network (GNN)-based methods primarily prioritize accuracy over diversity, overlooking their inherent trade-off. To address this, we previously proposed CPGRec, a balance-oriented gaming recommender system. However, CPGRec fails to account for critical disparities in player-game interactions, which carry varying significance in reflecting players' personal preferences and may exacerbate over-smoothness issues inherent in GNN-based models. Moreover, existing approaches underutilize the reasoning capabilities and extensive knowledge of large language models (LLMs) in addressing these limitations. To bridge this gap, we propose two new modules. First, Preference-informed Edge Reweighting (PER) module assigns signed edge weights to qualitatively distinguish significant player interests and disinterests while then quantitatively measuring preference strength to mitigate over-smoothing in graph convolutions. Second, Preference-informed Representation Generation (PRG) module leverages LLMs to generate contextualized descriptions of games and players by reasoning personal preferences from comparing global and personal interests, thereby refining representations of players and games. Experiments on \textcolor{black}{two Steam datasets} demonstrate CPGRec+'s superior accuracy and diversity over state-of-the-art models. The code is accessible at https://github.com/HsipingLi/CPGRec-Plus.
• Abstract（参考訳）: ゲーム産業の急速な拡大は、ダイナミックな景観に合わせて高度なレコメンデーションシステムを必要とする。 既存のグラフニューラルネットワーク(GNN)ベースの手法は、主に多様性よりも精度を優先し、それら固有のトレードオフを見越す。 そこで我々は以前,バランス指向ゲームレコメンデーションシステムであるCPGRecを提案している。 しかし、CPGRecはプレイヤーとゲーム間の相互作用において重要な相違を考慮せず、プレイヤーの個人的好みを反映し、GNNベースのモデルに固有の過度なスムース性問題を悪化させる可能性がある。 さらに、既存のアプローチは、これらの制限に対処する上で、大きな言語モデル(LLM)の推論能力と広範な知識を過小評価している。 このギャップを埋めるために、我々は2つの新しいモジュールを提案する。 まず、Preference-informed Edge Reweighting (PER)モジュールは、署名付きエッジウェイトを割り当て、重要なプレーヤの興味や関心を質的に区別し、グラフ畳み込みにおける過剰なスムーシングを軽減するために、好みの強度を定量的に測定する。 第二に、Preference-informed Representation Generation (PRG)モジュールは、LLMを活用して、グローバルおよび個人的関心事の比較から個人の好みを推論し、プレイヤーとゲームの表現を洗練することにより、ゲームとプレイヤーのコンテキスト化された記述を生成する。 textcolor{black}{two Steam data}の実験では、CPGRec+の最先端モデルよりも精度と多様性が優れていることが示されている。 コードはhttps://github.com/HsipingLi/CPGRec-Plusでアクセスできる。

関連論文リスト

• Category-based and Popularity-guided Video Game Recommendation: A Balance-oriented Framework [29.0540988283535]
  現在のビデオゲームレコメンデーションアプローチは、多様性よりも精度を優先する傾向があり、おそらくは未検証のゲーム提案につながる。 CPGRecと呼ばれる新しいフレームワークを導入し、精度駆動、多様性駆動、包括的3つのモジュールからなる。 第1モジュールは、より厳密な方法でゲームを接続し、推奨精度を高めることにより、最先端の精度に焦点を当てたゲームレコメンデーション手法を拡張する。 第2のモジュールは、提案したゲームグラフ内の様々なカテゴリを隣人に接続し、人気のあるゲームノードの利点を利用して、プレイヤゲームバイパーティイトグラフ内のロングテールゲームの影響を増幅する。
  論文  参考訳（メタデータ） (2026-04-16T04:03:45Z)
• Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking [107.09842504618369]
  ジェネレーティブ・レコメンデーション(GR)は、資源効率の高いレコメンデーションのために、FLOPSの利用率の高いエンド・ツー・エンドのアプローチとして期待されている。 現在のGRモデルは,トークン生成が進むにつれてトークンレベルのバイアスがエスカレートする,重要なtextbfbias増幅問題に悩まされていることを示す。 バイアス増幅問題に対処するためには、GR to 1) がより異質な情報を導入し、2) トークン生成ステップごとにより大きな計算資源を割り当てることが重要である。
  論文  参考訳（メタデータ） (2026-02-03T16:10:54Z)
• End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
  グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-02T22:46:50Z)
• Reinforcing Video Reasoning with Focused Thinking [65.85683941058916]
  本稿では,集中的思考と深い報酬の粒度で視覚的推論を強化する新しいフレームワークであるTW-GRPOを提案する。 具体的には,高情報密度のトークンを優先するトークン重み付け機構を用いる。 また,シングルチョイスからマルチチョイスQAタスクにシフトすることで,RLトレーニングを再構築する。
  論文  参考訳（メタデータ） (2025-05-30T15:42:19Z)
• Prediction of Football Player Value using Bayesian Ensemble Approach [13.163358022899335]
  そこで本研究では,FIFAデータ分析に基づいて,世界トップのサッカー選手の移籍手数料に影響を及ぼす要因について事例研究を行った。 各プレイヤーの市場価値を予測するため,木構造パーゼンエミュレータ(TPE)アルゴリズムを用いて改良されたLightGBMモデルを提案する。
  論文  参考訳（メタデータ） (2022-06-24T07:13:53Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)

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。