論文の概要: Every Preference Has Its Strength: Injecting Ordinal Semantics into LLM-Based Recommenders

• arxiv url: http://arxiv.org/abs/2605.10323v1
• Date: Mon, 11 May 2026 10:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.727042
• Title: Every Preference Has Its Strength: Injecting Ordinal Semantics into LLM-Based Recommenders
• Title（参考訳）: LLMをベースとしたレコメンダに常用セマンティクスを注入する
• Authors: Jiwon Jeong, Donghee Han, Sungrae Hong, Woosung Kang, Mun Yong Yi,
• Abstract要約: 我々は,対話レベルのユーザフィードバックをモデル化することによって,好みの強さを明示的に組み込んだハイブリッドCF-LLMフレームワークであるOrdinal Semantic Anchoring (OSA)を提案する。 複数の実世界のデータセットの実験は、OSAが既存のベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 5.600161718503259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has shown that large language models (LLMs) can enhance recommender systems by integrating collaborative filtering (CF) signals through hybrid prompting. However, most existing CF-LLM frameworks collapse explicit ratings into implicit or positive-only feedback, discarding the ordinal structure that conveys fine-grained preference strength. As a result, these models struggle to exploit graded semantics and nuanced preference distinctions. We propose Ordinal Semantic Anchoring (OSA), a hybrid CF-LLM framework that explicitly incorporates preference strength by modeling interaction-level user feedback. OSA represents ordinal preference levels as numeric textual tokens and uses their token embeddings as semantic anchors to align user-item interaction representations in the LLM latent space. Through strength-aware alignment across ordinal levels, OSA preserves preference semantics when integrating collaborative signals with LLMs. Experiments on multiple real-world datasets demonstrate that OSA consistently outperforms existing baselines, particularly in pairwise preference evaluation, highlighting its effectiveness in modeling fine-grained user preferences over prior CF-LLM methods.
• Abstract（参考訳）: 近年の研究では,大規模言語モデル(LLM)が協調フィルタリング(CF)信号をハイブリッドプロンプトを通じて統合することにより,レコメンダシステムを強化できることが示されている。 しかし、既存のCF-LLMフレームワークのほとんどは、明示的な評価を暗黙的あるいは肯定的なフィードバックに分解し、きめ細かい好みの強さを伝達する順序構造を捨てている。 結果として、これらのモデルは、グレードドドセマンティクスとニュアンスド・セマンティクスの区別を利用するのに苦労する。 我々は,対話レベルのユーザフィードバックをモデル化することによって,好みの強さを明示的に組み込んだハイブリッドCF-LLMフレームワークであるOrdinal Semantic Anchoring (OSA)を提案する。 OSAは、通常の好みレベルを数値的なテキストトークンとして表現し、トークンの埋め込みをセマンティックアンカーとして使用して、LLMラテント空間におけるユーザとイテムの相互作用表現を調整する。 オーディナルレベルをまたいだ強度認識アライメントを通じて、OSAはLLMと協調的な信号を統合する際に、好みのセマンティクスを保存する。 複数の実世界のデータセットの実験では、OSAが既存のベースライン、特にペアワイズな選好評価を一貫して上回っており、従来のCF-LLMメソッドよりもきめ細かいユーザの選好をモデル化する上での有効性を強調している。

関連論文リスト

• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-05T07:02:50Z)
• Empowering Contrastive Federated Sequential Recommendation with LLMs [13.016120865205258]
  フェデレートシーケンシャルレコメンデーション(FedSeqRec)は、ユーザのデータを分散化しながら、次のイテム予測を実行することを目的としている。 パラメータ分離型FedSeqRecアーキテクチャである textbfLUMOS を提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:47:43Z)
• Token-level Collaborative Alignment for LLM-based Generative Recommendation [34.778534684670895]
  Token-level Collaborative Alignment for Recommendation (TCA4Rec)は、モデルに依存しないプラグイン・アンド・プレイフレームワークである。 TCA4Rec は,CF モデルや LLM ベースのレコメンデータシステムにおいて,幅広い範囲にわたるレコメンデーション性能を継続的に向上することを示す。
  論文  参考訳（メタデータ） (2026-01-26T13:05:02Z)
• FACE: A General Framework for Mapping Collaborative Filtering Embeddings into LLM Tokens [28.971310672971914]
  大規模言語モデル(LLM)は、協調フィルタリング(CF)ベースのレコメンデーションシステムと統合するために研究されている。 重要な課題は、LCMがCFアプローチが生み出す非セマンティックな埋め込みを解釈するのに苦労していることである。 FACEはCF埋め込みを事前訓練されたLLMトークンにマッピングする一般的な解釈可能なフレームワークである。
  論文  参考訳（メタデータ） (2025-10-17T15:19:54Z)
• 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)
• Semantic Convergence: Harmonizing Recommender Systems via Two-Stage Alignment and Behavioral Semantic Tokenization [10.47505806629852]
  大規模言語モデル(LLM)は、歴史的行動からユーザの深い関心を識別する能力を持っている。 従来のレコメンデーションモデルとLLMの長所を調和的に融合する新しいフレームワークを提案する。 我々は、協調的な信号と自然言語意味論の微妙さを整合させることを目的とした、教師付き学習タスクのシリーズを設計する。
  論文  参考訳（メタデータ） (2024-12-18T12:07:58Z)
• Align-SLM: Textless Spoken Language Models with Reinforcement Learning from AI Feedback [50.84142264245052]
  テキストレス音声言語モデル(SLM)のセマンティック理解を強化するためのAlign-SLMフレームワークを導入する。 提案手法は、与えられたプロンプトから複数の音声継続を生成し、意味的指標を用いて、直接選好最適化(DPO)のための選好データを生成する。 語彙および構文モデリングのためのZeroSpeech 2021ベンチマーク、意味的コヒーレンスのためのStoryClozeデータセットの音声バージョン、GPT4-oスコアや人間評価などの音声生成指標を用いて、フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-11-04T06:07:53Z)
• LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation [57.49045064294086]
  大きな言語モデル(LLM)は、その人気とは無関係に、アイテム間の意味的関係をキャプチャする能力を持つ。 LLMEmb(LLMEmb)は、LCMを利用してアイテム埋め込みを生成し、逐次レコメンダシステム(SRS)の性能を向上させる手法である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)

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。