論文の概要: L2Rec: Towards Dual-View Understanding of LLMs for Personalized Recommendation

• arxiv url: http://arxiv.org/abs/2605.26717v1
• Date: Tue, 26 May 2026 08:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.77023
• Title: L2Rec: Towards Dual-View Understanding of LLMs for Personalized Recommendation
• Title（参考訳）: L2Rec:パーソナライズされたレコメンデーションのためのLLMのデュアルビュー理解に向けて
• Authors: Pingjun Pan, Tingting Zhou, Peiyao Lu, Tingting Fei, Hongxiang Chen, Chuanjiang Luo,
• Abstract要約: 我々はL2Recを導入し、L2Recは大規模言語モデル(LLM)のパラメータレベルでの行動的・意味的理解を統一する。 私たちのキーとなる洞察は、同じTransformerパラメータセットが、両方のビューの共有媒体として機能できるということです。 4つのデータセットの実験によると、L2Recは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 1.0839192829439435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adapting large language models (LLMs) for personalized recommendation requires aligning their general-purpose capabilities with user-specific preferences while effectively leveraging both behavioral and semantic signals. Existing approaches typically integrate these signals at either the input level (e.g., injecting behavioral embeddings into the token space) or the output level (e.g., contrastive alignment of separate encoders), suffering from distribution gaps or lack of end-to-end task supervision. In this work, we introduce L2Rec, which unifies behavioral and semantic understanding at the parameter level of LLMs. Our key insight is that the same set of Transformer parameters can serve as a shared medium for both views: by applying view-specific, personalized low-rank perturbations via a Dual-view Personalized Mixture-of-Experts (DPMoE) mechanism, L2Rec enables a single LLM backbone to produce complementary behavioral and semantic adaptations for each user with minimal representation-level misalignment. An adaptive cross-view fusion module further integrates the dual-view outputs into a unified user preference. Experiments on four datasets show that L2Rec consistently outperforms state-of-the-art baselines, and online A/B testing on a large-scale industrial platform validates significant improvements in key engagement metrics.
• Abstract（参考訳）: パーソナライズされたレコメンデーションに大規模言語モデル(LLM)を適用するには、行動信号と意味信号の両方を効果的に活用しながら、汎用機能をユーザ固有の好みに合わせる必要がある。 既存のアプローチは通常、これらの信号を入力レベル(例えばトークン空間に振る舞いの埋め込みを注入する)または出力レベル(例えば、異なるエンコーダの対照的なアライメント)で統合し、分散ギャップやエンドツーエンドのタスク管理の欠如に悩まされる。 本研究では,L2Recを導入し,LLMのパラメータレベルでの行動的・意味的理解を統一する。 ビュー固有でパーソナライズされた低ランクな摂動をDual-view Personalized Mixture-of-Experts (DPMoE) メカニズムを介して適用することにより、L2Recは単一のLCMバックボーンが、最小の表現レベルのミスアライメントを持つ各ユーザに対して補完的な振る舞いおよびセマンティック適応を生成することができる。 適応的なクロスビュー融合モジュールは、二重ビュー出力を統一されたユーザ嗜好に統合する。 4つのデータセットの実験によると、L2Recは一貫して最先端のベースラインを上回っており、大規模産業プラットフォーム上でのオンラインA/Bテストは、重要なエンゲージメントメトリクスの大幅な改善を検証する。

関連論文リスト

• Break the Optimization Barrier of LLM-Enhanced Recommenders: A Theoretical Analysis and Practical Framework [5.68373404216548]
  Training-Friendly LLM-Enhanced Recommender (TF-LLMER)は、2つの主要なコンポーネントを持つ軽量フレームワークである。 Rec-PCAはコラボレーティブな構造を表現変換に注入するレコメンデーション対応次元減少法である。 TF-LLMERは最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-04-22T12:22:47Z)
• Lightweight Fairness for LLM-Based Recommendations via Kernelized Projection and Gated Adapters [6.204830452202052]
  大規模言語モデル(LLM)は、動的、コンテキスト認識、会話的レコメンデーションを可能にする、レコメンデーションシステムのための新しい機能を導入した。 LLMは、特に人口統計学的手がかりが存在する場合、トレーニング前のデータに埋め込まれた社会的バイアスを増幅する。 本稿では,カーネル化された反復核空間投影(INLP)とゲート型Mixture-of-Experts(MoE)アダプタを組み合わせた軽量でスケーラブルなバイアス軽減手法を提案する。
  論文  参考訳（メタデータ） (2026-03-24T23:26:04Z)
• From One-to-One to Many-to-Many: Dynamic Cross-Layer Injection for Deep Vision-Language Fusion [91.35078719566472]
  VLM(Vision-Language Models)は、粗い非対称接続を使用することで、深刻な視覚的特徴のボトルネックを生み出す。 CLI(Cross-Layer Injection)は,2つのモダリティの間に動的に多対多の橋を架ける,斬新で軽量なフレームワークである。
  論文  参考訳（メタデータ） (2026-01-15T18:59:10Z)
• AdaRec: Adaptive Recommendation with LLMs via Narrative Profiling and Dual-Channel Reasoning [4.45755699416829]
  AdaRecは、適応的なパーソナライズされたレコメンデーションのために、大規模な言語モデルを活用する、数発のコンテキスト内学習フレームワークである。 AdaRecは、水平な振舞いアライメントを統合し、垂直因果属性によるピア駆動パターンを発見するデュアルチャネルアーキテクチャを採用している。 実際のeコマースデータセットの実験では、AdaRecは機械学習モデルとLLMベースのベースラインの両方を上回っている。
  論文  参考訳（メタデータ） (2025-11-10T14:59:27Z)
• SteerX: Disentangled Steering for LLM Personalization [75.89038195784701]
  大規模言語モデル(LLM)は近年顕著な成功を収めており、幅広いアプリケーションを可能にしている。 このようなアシスタントを構築する上で重要な要素は、ユーザの好みやニーズが多岐にわたるため、LLMをパーソナライズすることである。 本稿では、好みに依存しないコンポーネントから選好駆動コンポーネントを分離するSteerXを提案する。
  論文  参考訳（メタデータ） (2025-10-25T11:26:20Z)
• Controlling Multimodal LLMs via Reward-guided Decoding [17.5544679985101]
  マルチモーダル大言語モデル (MLLM) の適応性について, 制御復号化による検討を行った。 本手法では,視覚的接地のための報酬モデルを構築し,MLLMの復号プロセスのガイドに使用する。 本手法を標準対象幻覚ベンチマークで評価し,MLLMの推論に対する制御性について検討した。
  論文  参考訳（メタデータ） (2025-08-15T17:29:06Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• Learning to Learn Better for Video Object Segmentation [94.5753973590207]
  本稿では,SVOS の学習目標機能 (LLB) を強調する新しいフレームワークを提案する。 識別ラベル生成モジュール(DLGM)と適応融合モジュールを設計し,これらの課題に対処する。 提案手法は最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-12-05T09:10:34Z)

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。