論文の概要: When Model Editing Meets Service Evolution: A Knowledge-Update Perspective for Service Recommendation

• arxiv url: http://arxiv.org/abs/2604.26686v1
• Date: Wed, 29 Apr 2026 13:51:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.428848
• Title: When Model Editing Meets Service Evolution: A Knowledge-Update Perspective for Service Recommendation
• Title（参考訳）: モデル編集がサービス進化と出会う: サービスの推奨に対する知識の更新
• Authors: Guodong Fan, Cuiyun Gao, Chun Yong Chong, Lu Zhang, Jing Li, Jinglin Zhang, Shizhan Chen,
• Abstract要約: EVORECはサービスレコメンデーションのための進化を意識したフレームワークで、費用のかかるリトレーニングを効率的に行うことなく、更新されたサービスファクトを組み込む。 我々は、繰り返しサービスを排除するとともに、構造的および意味的妥当性を強制するFinite Automataベースの制約付き復号機構を導入する。 当社のアプローチはモデル微調整アプローチを22.3%上回り、サービスの進化に強い適応性を示す。
• 参考スコア（独自算出の注目度）: 28.779676579427967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid evolution of software services poses substantial challenges to the design and implementation of effective recommendation systems. Traditional service recommendation approaches often rely on static representations and historical usage data, which are insufficient for adapting to the dynamic and evolving nature of service ecosystems. Recently, large language models (LLMs) have shown strong potential to overcome these limitations by leveraging rich contextual understanding. However, their practical use faces two major challenges: outdated service facts and invalid or redundant services. To address these issues, we propose EVOREC, an evolution-aware framework for service recommendation that leverages model editing in a locate-then-edit paradigm to incorporate updated service facts without costly retraining efficiently. This allows the model to remain aligned with evolving service ecosystems. To address invalid service issues, we introduce a Finite Automata (FA)-based constrained decoding mechanism with deduplication, which enforces structural and semantic validity while eliminating repeated services. Experiments on real-world service datasets demonstrate that our framework consistently outperforms existing baselines, e.g., achieving an average relative improvement of 25.9% in Recall@5. Moreover, under evolving service scenarios, our approach outperforms model fine-tuning approaches by 22.3%, demonstrating strong adaptability to service evolution and providing a practical solution for service recommendation in dynamic ecosystems
• Abstract（参考訳）: ソフトウェアサービスの急速な進化は、効果的なレコメンデーションシステムの設計と実装に重大な課題をもたらす。 従来のサービスレコメンデーションアプローチは、静的表現と過去の利用データに依存することが多いが、サービスエコシステムの動的で進化的な性質に適応するには不十分である。 近年,大規模言語モデル (LLM) は,文脈理解を充実させることで,これらの制限を克服する可能性を示している。 しかし、彼らの実践的な利用は、時代遅れのサービス事実と、無効あるいは冗長なサービスという2つの大きな課題に直面します。 これらの問題に対処するために,EVORECを提案する。EVORECはサービスレコメンデーションのための進化型フレームワークで,モデル編集を位置対応パラダイムで活用し,更新されたサービスファクトを効率よく再トレーニングすることなく組み込む。 これにより、モデルの進化するサービスエコシステムとの整合性を維持することができる。 無効なサービス問題に対処するため、繰り返しサービスを排除するとともに構造的および意味的妥当性を強制するFinite Automata(FA)ベースの制約付き復号機構を導入する。 実世界のサービスデータセットの実験では、我々のフレームワークは既存のベースライン、例えばRecall@5の平均相対的改善率25.9%を一貫して上回っている。 さらに、進化するサービスシナリオの下では、当社のアプローチは、モデル微調整アプローチを22.3%上回り、サービス進化への強力な適応性を示し、動的エコシステムにおけるサービスレコメンデーションのための実用的なソリューションを提供する。

関連論文リスト

• MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices [53.94035827454474]
  信頼性の高い産業用予測保守のための統合型AIサービスモデルとして設計された軽量なマルチスケールトランスを提案する。 MsFormerには、マルチスケールサンプリング(MS)モジュールと、シーケンシャルな相関をキャプチャするための調整された位置符号化機構が組み込まれている。 実世界のデータセットの実験では、提案したフレームワークが最先端の手法よりも大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-24T11:12:50Z)
• Bridging VLMs and Embodied Intelligence with Deliberate Practice Policy Optimization [72.20212909644017]
  Deliberate Practice Policy Optimization (DPPO) はメタ認知型メタループのトレーニングフレームワークである。 DPPOは教師付き微調整(能力拡張)と強化学習(技能向上)の交互に行う 実証的には、DPPO(Pelican-VL 1.0)で視覚言語を具現化したモデルをトレーニングすると、ベースモデルよりも20.3%パフォーマンスが向上する。 私たちはモデルとコードをオープンソースにして、データとリソースのボトルネックを軽減する最初の体系的なフレームワークを提供しています。
  論文  参考訳（メタデータ） (2025-11-20T17:58:04Z)
• Microservices-Based Framework for Predictive Analytics and Real-time Performance Enhancement in Travel Reservation Systems [1.03590082373586]
  本稿では,リアルタイム旅行予約システムの性能向上を目的としたアーキテクチャの枠組みを提案する。 私たちのフレームワークには、顧客の需要予測を最適化する機械学習モデルによるリアルタイム予測分析、動的価格設定、システムパフォーマンスが含まれています。 今後は、高度なAIモデルとエッジ処理を調査して、採用するシステムのパフォーマンスと堅牢性をさらに向上する予定である。
  論文  参考訳（メタデータ） (2024-12-20T07:19:42Z)
• On-Demand Mobility Services for Infrastructure and Community Resilience: A Review toward Synergistic Disaster Response Systems [0.0]
  モビリティ・オン・デマンド(MOD)サービスは、ディスラプティブイベントの結果として、都市システムの適応性と回復を著しく改善する可能性がある。 本論では, レジリエントなMODサービス, インフラとコミュニティのレジリエンス向上のための新しいMODサービスの利用, 経験的影響評価, テクノロジーの実現, 拡張という4つの分野において, ここ数年で顕著な増加が示唆されている。
  論文  参考訳（メタデータ） (2024-03-05T16:51:02Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• DySR: A Dynamic Representation Learning and Aligning based Model for Service Bundle Recommendation [4.729833950299859]
  このような問題に対処するために,動的表現学習と協調型モデルDySRを提案する。 そこで,DySRは従来の評価手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-07T03:49:08Z)
• Reinforcement Learning-based Dynamic Service Placement in Vehicular Networks [4.010371060637208]
  さまざまなタイプのサービスの要求におけるトラフィックモビリティパターンとダイナミックスの複雑さは、サービスの配置を困難なタスクにしました。 トラフィックモビリティやサービスのダイナミクスを考慮していないため、典型的な静的配置ソリューションは効果的ではありません。 本稿では,エッジサーバに最適なサービス配置を見つけるために,強化学習に基づく動的(RL-Dynamic)サービス配置フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-31T15:01:35Z)
• A Data-driven Approach for Constructing Multilayer Network-based Service Ecosystem Models [5.211872784262557]
  サービスエコシステムは、研究と実践の両方に焦点を合わせています。 サービスエコシステムの進化のトリガーを説明するために"イベント"が導入される。 当社のアプローチでは,低コストで高効率な実世界のサービスエコシステムのための大規模モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-04-22T03:21:38Z)

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。