論文の概要: Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations

• arxiv url: http://arxiv.org/abs/2606.06779v1
• Date: Thu, 04 Jun 2026 23:39:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.482307
• Title: Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations
• Title（参考訳）: マインド・ザ・ギャップ:多面的レコメンデーションにおけるLCMを用いたブリジング行動シロ
• Authors: Nimesh Sinha, Raghav Saboo, Martin Wang, Sudeep Das,
• Abstract要約: 本稿では,データ豊かな分野からデータスパース分野へ知識を伝達することで,推薦品質を高める新しい枠組みを提案する。 我々はLarge Language Models (LLMs) を用いて、潜在ユーザ親和性をカプセル化した疎結合な高次元特徴を合成し、生成推論を行う。 我々は、オフラインおよびオンラインの広範な評価を通じて、新たなビジネス分野におけるパーソナライゼーションとエンゲージメントを大幅に改善することを示す。
• 参考スコア（独自算出の注目度）: 0.822469542459168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In multi-vertical e-commerce platforms like DoorDash, relatively newer product verticals such as grocery and retail present a significant opportunity for personalization innovation. A key challenge lies in solving the "cold start" problem for users. This paper introduces a novel framework for enhancing recommendation quality by transferring knowledge from data-rich verticals (e.g., restaurants at DoorDash) to data-sparse ones. We leverage Large Language Models (LLMs) to perform generative inference, synthesizing sparse, high-dimensional features that encapsulate latent user affinities. Specifically, we employ a hierarchical Retrieval-Augmented Generation (RAG) pipeline to derive multi-level taxonomic features from user restaurant order histories and search queries. These generated features, encoding both long-term cross-vertical preferences and short-term intent, are integrated into a production Multi-Task Learning (MTL) ranking model. We demonstrate through extensive offline and online evaluation that this approach significantly improves personalization and engagement in emerging business verticals, effectively bridging the behavioral data gap.
• Abstract（参考訳）: DoorDashのようなマルチバーティカルなeコマースプラットフォームでは、食料品や小売といった比較的新しい製品がパーソナライズイノベーションの機会となっている。 ユーザにとって重要な課題は、"コールドスタート"問題を解決することだ。 本稿では,データ豊富な垂直(例えばDoorDashのレストラン)からデータスパースへと知識を伝達することで,推薦品質を高める新しい枠組みを提案する。 我々はLarge Language Models (LLMs) を用いて、潜在ユーザ親和性をカプセル化した疎結合な高次元特徴を合成し、生成推論を行う。 具体的には、ユーザレストランの注文履歴や検索クエリから多段階の分類特徴を引き出すために、階層型検索拡張生成(RAG)パイプラインを用いる。 これらの特徴は、長期横断的な嗜好と短期意図の両方を符号化し、MTL(Multi-Task Learning)ランキングモデルに統合する。 本手法は,新たなビジネス分野における個人化とエンゲージメントを大幅に改善し,行動データギャップを効果的に埋めるものであることを実証する。

関連論文リスト

• Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
  PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。 まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。 次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
  論文  参考訳（メタデータ） (2026-04-27T20:58:49Z)
• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
  フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。 本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。 提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-01-29T08:55:19Z)
• Generative Sequential Recommendation via Hierarchical Behavior Modeling [20.156854767000475]
  本稿では,デコーダのみのバックボーン上に構築された新しい生成フレームワークGAMERを提案する。 GAMERは、振る舞い間の階層的な依存関係をキャプチャする、クロスレベルなインタラクション層を導入している。 ShortVideoADは、メインストリームのショートビデオプラットフォームからの大規模マルチビヘイビアデータセットである。
  論文  参考訳（メタデータ） (2025-11-05T03:27:01Z)
• Personalized Product Search Ranking: A Multi-Task Learning Approach with Tabular and Non-Tabular Data [5.361964008135103]
  マルチタスク学習フレームワークを用いて、パーソナライズされた製品検索ランキングを最適化するための新しいモデルアーキテクチャを提案する。 本稿では,クリックスルー率,クリック位置,意味的類似度に基づくスケーラブルなレバレンスラベリング機構を提案する。 実験結果から,マルチタスク学習のパラダイムにおいて,非語彙データと高度な埋め込み技術を組み合わせることで,モデル性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2025-08-13T09:15:08Z)
• GenRecal: Generation after Recalibration from Large to Small Vision-Language Models [63.27511432647797]
  視覚言語モデル(VLM)は、GPT-4Vのようなクローズドソースシステムと同等の性能を達成するために、大きな言語モデル(LLM)を活用している。 視覚言語モデル(VLM)の最近の進歩は、GPT-4Vのようなクローズドソースシステムと同等の性能を達成するために、大きな言語モデル(LLM)を活用している。
  論文  参考訳（メタデータ） (2025-06-18T17:59:49Z)
• Research on E-Commerce Long-Tail Product Recommendation Mechanism Based on Large-Scale Language Models [7.792622257477251]
  大規模言語モデル(LLM)を用いた製品記述とユーザ行動シーケンスを統合した,新しいロングテール製品レコメンデーション機構を提案する。 我々の研究は、今後のeコマースレコメンデーションシステムにおいて、製品コンテンツとユーザ意図を解釈するLLMの可能性を強調します。
  論文  参考訳（メタデータ） (2025-05-31T19:17:48Z)
• DashCLIP: Leveraging multimodal models for generating semantic embeddings for DoorDash [0.12314765641075437]
  画像テキストデータに対するコントラスト学習を通じて,ユニモーダルエンコーダとマルチモーダルエンコーダを整列させることにより,製品およびユーザクエリのための共同トレーニングフレームワークを導入する。 提案手法では,クエリエンコーダをLLM計算した関連データセットでトレーニングし,エンゲージメント履歴への依存を解消する。 パーソナライズされた広告レコメンデーションでは、デプロイ後のクリックスルー率と変換レートが大きく上昇し、主要なビジネス指標への影響を確認します。
  論文  参考訳（メタデータ） (2025-03-18T20:38:31Z)
• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)

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。