論文の概要: HSUGA: LLM-Enhanced Recommendation with Hierarchical Semantic Understanding and Group-Aware Alignment
- arxiv url: http://arxiv.org/abs/2605.11662v1
- Date: Tue, 12 May 2026 07:22:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.660506
- Title: HSUGA: LLM-Enhanced Recommendation with Hierarchical Semantic Understanding and Group-Aware Alignment
- Title（参考訳）: HSUGA:階層的意味理解とグループアウェアアライメントによるLLM強化レコメンデーション
- Authors: Guorui Li, Dugang Liu, Lei Li, Xing Tang, Zhong Ming,
- Abstract要約: 階層意味理解(HSU)とグループ認識アライメント(GAA)の2つのコアコンポーネントに対して,シンプルながら効果的なプラグインを提供するHSUGAを提案する。
HSUGAは、制約付き編集操作による段階的二相選好マイニングとモデル選好進化を行い、ユーザセマンティック抽出の信頼性を向上させる。
GAAは、ユーザアクティビティレベルに基づいてセマンティック利用の強度を調整し、アクティブなユーザのためのアライメントの弱さと、希少な履歴データを持つユーザのためのより強力なガイダンスを提供する。
- 参考スコア（独自算出の注目度）: 15.29829637586162
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM)-enhanced sequential recommendation typically aims to improve two core components: user semantic embedding extraction and utilization. Despite promising results, existing methods still have two limitations: 1) In the extraction stage, most methods directly input long interaction sequence fragments into LLM for preference summarization. However, excessively long sequences increase inference difficulty, making it challenging to reliably infer accurate user embeddings. 2) In the utilization stage, most methods employ the same semantic embedding utilization strategy for all users, neglecting the differences caused by user activity levels, leading to suboptimal performance. To address these issues, we propose HSUGA, which introduces a simple yet effective plugin for each of the two core components: Hierarchical Semantic Understanding (HSU) and Group-Aware Alignment (GAA). HSU performs a staged two-phase preference mining and models preference evolution through constrained editing operations, thereby improving the reliability of user semantic extraction. GAA adjusts the intensity of semantic utilization based on user activity levels, providing weaker alignment for active users and stronger guidance for users with sparse historical data. Finally, extensive experiments on three benchmark datasets demonstrate the effectiveness and compatibility of HSUGA.
- Abstract（参考訳）: 大規模言語モデル(LLM)が強化されたシーケンシャルレコメンデーションは、一般的に2つのコアコンポーネント、すなわちユーザセマンティックな埋め込み抽出と利用を改善することを目的としている。
有望な結果にもかかわらず、既存のメソッドには2つの制限がある。
1)抽出段階では,ほとんどの手法が好みの要約のためにLLMに長い相互作用配列の断片を直接入力する。
しかし、過度に長いシーケンスは推論の困難を増し、正確なユーザ埋め込みを確実に推測することは困難である。
2)利用段階において,ほとんどの手法では,ユーザアクティビティレベルの違いを無視して,すべてのユーザに対して同じセマンティック埋め込み利用戦略を採用している。
これらの問題に対処するために,HSUGAを提案する。HSU(Hierarchical Semantic Understanding)とGAA(Group-Aware Alignment)の2つのコアコンポーネントに対して,シンプルだが効果的なプラグインを提供する。
HSUは、制約付き編集操作による段階的二相選好マイニングとモデル選好進化を行い、ユーザセマンティック抽出の信頼性を向上させる。
GAAは、ユーザアクティビティレベルに基づいてセマンティック利用の強度を調整し、アクティブなユーザのためのアライメントの弱さと、希少な履歴データを持つユーザのためのより強力なガイダンスを提供する。
最後に、3つのベンチマークデータセットに関する広範な実験により、HSUGAの有効性と互換性が示された。
関連論文リスト
- On Discriminative vs. Generative classifiers: Rethinking MLLMs for Action Understanding [53.55135022958052]
閉集合行動理解のためのGAD(Generation-Assisted Discriminative Discriminative)を提案する。
GADは微調整時にのみ動作し、MLLMの事前訓練と完全な互換性を保つ。
時間的行動理解ベンチマークの実験により、GADは生成法よりも精度と効率を向上することが示された。
論文 参考訳（メタデータ） (2026-03-03T03:02:01Z) - Beyond the Flat Sequence: Hierarchical and Preference-Aware Generative Recommendations [35.58864660038236]
我々はHPGR(Hierarchical and Preference-aware Generative Recommender)という新しいフレームワークを提案する。
まず、構造化を意識した事前学習段階において、セッションベースのMasked Item Modelingの目的を用いて、階層的にインフォームドされ、セマンティックにリッチなアイテム表現空間を学ぶ。
第二に、プライオリティ対応の微調整ステージは、これらの強力な表現を活用して、Preference-Guided Sparse Attentionメカニズムを実装する。
論文 参考訳（メタデータ） (2026-03-01T08:15:34Z) - Generative Early Stage Ranking [14.15517442047903]
本稿では,有効性と効率のバランスをとるために,GESR(Generative Early Stage Ranking)パラダイムを提案する。
GESRパラダイムは、トポラインメトリクス、エンゲージメント、消費タスクを大幅に改善した。
我々の知る限りでは、このような規模でESRステージにおける完全なターゲット対応アテンションシーケンスモデリングを成功させたのはこれが初めてである。
論文 参考訳（メタデータ） (2025-11-26T06:29:18Z) - SemanticVLA: Semantic-Aligned Sparsification and Enhancement for Efficient Robotic Manipulation [65.6201974979119]
本稿では,効率的なロボットマニピュレーションのためのセマンティックスペーシフィケーション・エンハンスメントを実現する新しいVLAフレームワークSemanticVLAを提案する。
SemanticVLAはOpenVLA on LIBEROベンチマークを21.1%上回り、トレーニングコストと推論遅延を3.0倍と2.7倍に削減した。
論文 参考訳（メタデータ） (2025-11-13T17:24:37Z) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - SRA-CL: Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation [23.050104678143935]
SRA-CL(Semantic Retrieval Augmented Contrastive Learning)という新しい手法を提案する。
SRA-CLはLLMのセマンティック理解と推論機能を活用し、ユーザの好みやアイテムの特徴をキャプチャする表現的な埋め込みを生成する。
SRA-CLはプラグイン・アンド・プレイの設計を採用しており、既存のシーケンシャルレコメンデーションアーキテクチャとシームレスに統合できる。
論文 参考訳（メタデータ） (2025-03-06T07:25:19Z) - Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。
より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。
提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
論文 参考訳（メタデータ） (2024-09-14T01:45:04Z) - Efficient Human-Object-Interaction (EHOI) Detection via Interaction Label Coding and Conditional Decision [33.59153869330463]
本研究では, 検出性能, 推論複雑性, 数学的透明性のバランスを良くするために, 効率の良いHOI検出器を提案する。
我々の貢献は、稀な相互作用のケースをエンコードするためのエラー訂正符号(ECC)の適用を含む。
実験により,ECC符号化対話ラベルの利点と検出性能とEHOI法の複雑さのバランスが良好であることが示された。
論文 参考訳（メタデータ） (2024-08-13T16:34:06Z) - Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised
Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。
また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文 参考訳（メタデータ） (2024-03-02T10:03:21Z) - Fine-grained Temporal Contrastive Learning for Weakly-supervised
Temporal Action Localization [87.47977407022492]
本稿では,シーケンス・ツー・シーケンスの区別を文脈的に比較することで学習が,弱い教師付き行動の局所化に不可欠な帰納的バイアスをもたらすことを論じる。
微分可能な動的プログラミングの定式化の下では、FSD(Fen-fine Sequence Distance)とLCS(Longest Common Subsequence)の2つの相補的コントラストが設計されている。
提案手法は,2つのベンチマークにおいて最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-03-31T05:13:50Z)
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。