論文の概要: ProMax: Exploring the Potential of LLM-derived Profiles with Distribution Shaping for Recommender Systems

• arxiv url: http://arxiv.org/abs/2604.26231v1
• Date: Wed, 29 Apr 2026 02:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.225208
• Title: ProMax: Exploring the Potential of LLM-derived Profiles with Distribution Shaping for Recommender Systems
• Title（参考訳）: ProMax: Recommender システムのための分布形状を持つ LLM プロファイルの可能性を探る
• Authors: Yi Zhang, Yiwen Zhang, Kai Zheng, Tong Chen, Hongzhi Yin,
• Abstract要約: 大規模言語モデル(LLM)は、暗黙のユーザフィードバックに基づいて、一般的なレコメンデーションの分野を再活性化した。 本稿では,分散シェーピング(ProMax)に基づく簡易かつ効果的なレコメンデーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 37.8565109257005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The remarkable text understanding and generation capabilities of large language models (LLMs) have revitalized the field of general recommendation based on implicit user feedback. Rather than deploying LLMs directly as recommendation models, a more flexible paradigm leverages their ability to interpret users' historical interactions and semantic contexts to extract structured profiles that characterize user preferences. These profiles can be further transformed into actionable high-dimensional representations, serving as powerful signals to augment and strengthen recommendation models. However, the mechanism by which such profiles enhance recommendation performance within the feature space remains insufficiently understood. Moreover, existing studies predominantly rely on nonlinear alignment and fusion strategies to incorporate these profiles, which often lead to semantic loss and fail to fully exploit their potential. To address these limitations, we revisit profiles from a retrieval perspective and propose a simple yet effective recommendation framework built upon distribution shaping (ProMax) in this paper. We begin by employing dense retrieval to uncover the collaborative relationships between user and item profiles within the feature space. Based on this insight, we introduce a dual distribution-reshaping process, in which the profile distribution acts as a guiding signal to steer the recommendation model toward learning user preferences for unseen items beyond the scope of observed interactions. We apply ProMax to four classic recommendation methods on three public datasets. The results indicate that ProMax substantially improves base model performance and outperforms existing LLM-based recommendation approaches.
• Abstract（参考訳）: 大規模言語モデル(LLM)の顕著なテキスト理解と生成能力は、暗黙のユーザフィードバックに基づいて一般的なレコメンデーションの分野を再活性化させた。 LLMを直接レコメンデーションモデルとしてデプロイするのではなく、より柔軟なパラダイムは、ユーザの過去のインタラクションとセマンティックコンテキストを解釈し、ユーザの好みを特徴づける構造化プロファイルを抽出する能力を活用する。 これらのプロファイルは、より実用的な高次元表現に変換され、推奨モデルを拡張し強化するための強力な信号として機能する。 しかし、そのようなプロファイルが特徴空間内のレコメンデーション性能を高めるメカニズムは、まだ十分に理解されていない。 さらに、既存の研究は、これらのプロファイルを組み込むための非線形アライメントと融合戦略に大きく依存しており、しばしば意味的損失を招き、その可能性を完全に活用することができない。 これらの制約に対処するため、我々は検索の観点からプロファイルを再検討し、本論文では、分布整形(ProMax)に基づいて構築されたシンプルで効果的な推薦フレームワークを提案する。 まず,特徴空間内のユーザプロファイルとアイテムプロファイルの協調関係を明らかにするために,密集した検索を利用する。 この知見に基づいて、プロファイル分布が誘導信号として機能し、観察された相互作用の範囲を超えた未確認項目のユーザの嗜好を学習する。 ProMaxを3つの公開データセット上の4つの古典的レコメンデーション手法に適用する。 その結果, ProMax はベースモデルの性能を大幅に向上し,既存の LLM ベースのレコメンデーション手法よりも優れていた。

関連論文リスト

• DIAURec: Dual-Intent Space Representation Optimization for Recommendation [11.613859816621337]
  本稿では,意図と言語モデリングを統合した表現学習フレームワークを提案する。 DIAURecは、協調的および言語信号によって形成されるプロトタイプと配布意図空間に基づいて、表現を再構築する。 3つの公開データセットの実験は、DIAURecが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-04-10T08:16:55Z)
• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• 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)
• LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation [49.78419076215196]
  シーケンスレコメンデーションは、類似したユーザやアイテムの履歴行動から協調フィルタリング(CF)信号をモデル化することで、ユーザの将来のインタラクションを予測することを目的としている。 従来のシーケンシャルなレコメンダは、高次の共起パターンを通じてCF信号をキャプチャするIDベースの埋め込みに依存している。 大規模言語モデル(LLM)の最近の進歩は、テキスト記述からアイテム表現を導出するテキストベースのレコメンデーションアプローチを動機付けている。 理想的な埋め込みモデルは、ドメイン内およびドメイン外のレコメンデーションパフォーマンスを改善するために、CF信号とリッチなセマンティック表現をシームレスに統合すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-16T13:27:06Z)
• Towards Distribution Matching between Collaborative and Language Spaces for Generative Recommendation [38.4884627838639]
  ジェネレーティブレコメンデーションは、ユーザのためのレコメンデーションを生成するために、アイテムセット全体を通して、基礎となるジェネレーティブプロセスを学ぶことを目的としている。 本研究ではDMRecと呼ばれるモデルに依存しない生成レコメンデーションフレームワークを提案し,ユーザインタラクションによってLMの出力をブリッジする確率的メタネットワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T01:09:30Z)
• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• RosePO: Aligning LLM-based Recommenders with Human Values [38.029251417802044]
  我々は、パーソナライズされた選好最適化(RosePO)を円滑にするための一般的なフレームワークを提案する。 RosePOは、トレーニング後の段階において、カスタマイズされた人的価値との整合性が向上する。 実世界の3つのデータセットの評価は,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-16T12:54:34Z)
• DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System [83.34921966305804]
  大規模言語モデル (LLM) はレコメンデーションシステムにおいて顕著な性能を示した。 LLMと協調モデルのための新しいプラグ・アンド・プレイアライメントフレームワークを提案する。 我々の手法は既存の最先端アルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2024-08-15T15:56:23Z)

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。