論文の概要: Generative Archetype-Grounded Item Representations for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2606.11023v1
• Date: Tue, 09 Jun 2026 15:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.597247
• Title: Generative Archetype-Grounded Item Representations for Sequential Recommendation
• Title（参考訳）: 逐次レコメンデーションのための生成アーチタイプ周辺項目表現
• Authors: Yifan Li, Jiahong Liu, Xinni Zhang, Hao Chen, Yankai Chen, Wenhao Yu, Jianting Chen, Irwin King,
• Abstract要約: GenAIRは、ジェネレーティブアーキタイプのグラウンドドアイテム表現でシーケンシャルなレコメンデーションを付与する一般的なフレームワークである。 本稿では,実際のインタラクションからの行動信号を明示的に組み込んだ行動校正手法を提案する。 3つの実世界のデータセットで実施された実験は、GenAIRが様々なシーケンシャルレコメンデーションモデルの性能を大幅に改善することを示した。
• 参考スコア（独自算出の注目度）: 45.91194797303667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation aims to predict users' next interaction with items by analyzing their historical behavior. However, the limited quality of item representations remains a critical bottleneck. While pre-trained large language models (LLMs) can provide rich semantic representations, existing approaches only rely on static encoding of fixed attributes, overlooking the crucial role of target audiences in defining item identity. Moreover, the semantic space struggles to reflect actual user behavior, resulting in a significant gap between semantic representations and behavioral patterns. To address these limitations, we propose GenAIR, a general framework that empowers sequential recommendation with Generative Archetype-grounded Item Representations. Specifically, we first leverage an LLM to analyze item metadata and infer textual description of the Archetype, which represents the conceptual profile of the item's ideal target audience. We then extract the corresponding embeddings in a single forward pass. Further, to ground these generative archetypes in real-world behavior, we introduce a behavioral calibration objective, which explicitly incorporates behavioral signals from actual interactions. This objective adjusts the structure of the embedding space to reflect empirical patterns. GenAIR enables seamless integration with most existing models while maintaining high efficiency. Comprehensive experiments conducted on three real-world datasets demonstrate that GenAIR significantly improves the performance of various sequential recommendation models and consistently outperforms state-of-the-art baseline approaches. Implementation codes are available at https://github.com/AI-Santiago/GenAIR.
• Abstract（参考訳）: 時系列レコメンデーションは、過去の行動を分析して、ユーザのアイテムとの次のインタラクションを予測することを目的としている。 しかし、アイテム表現の限られた品質は依然として重要なボトルネックである。 事前訓練された大規模言語モデル(LLM)は、リッチなセマンティック表現を提供することができるが、既存のアプローチは、アイテムのアイデンティティを定義する上で、ターゲットのオーディエンスの重要な役割を見越して、固定属性の静的エンコーディングのみに依存している。 さらに、意味空間は実際のユーザ行動の反映に苦慮し、意味表現と行動パターンの間に大きなギャップが生じる。 これらの制約に対処するために、ジェネレーションアーチタイプグラウンドドアイテム表現を用いたシーケンシャルなレコメンデーションを可能にする一般的なフレームワークであるGenAIRを提案する。 具体的には,まず LLM を利用して項目のメタデータを分析し,項目の理想的ターゲットオーディエンスの概念的プロファイルを表すArcetype のテキスト記述を推測する。 次に、対応する埋め込みを1つの前方通過で抽出する。 さらに、これらの生成的アーキタイプを現実の行動に基盤として、実際の相互作用からの行動信号を明示的に組み込んだ行動校正目的を導入する。 この目的は、埋め込み空間の構造を、経験的パターンを反映するように調整する。 GenAIRは、高効率を維持しながら、既存のほとんどのモデルとのシームレスな統合を可能にします。 3つの実世界のデータセットで実施された包括的な実験は、GenAIRが様々なシーケンシャルレコメンデーションモデルのパフォーマンスを大幅に改善し、一貫して最先端のベースラインアプローチを上回っていることを示している。 実装コードはhttps://github.com/AI-Santiago/GenAIR.comで公開されている。

関連論文リスト

• RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
  Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。 RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-05-17T05:21:23Z)
• DIAURec: Dual-Intent Space Representation Optimization for Recommendation [11.613859816621337]
  本稿では,意図と言語モデリングを統合した表現学習フレームワークを提案する。 DIAURecは、協調的および言語信号によって形成されるプロトタイプと配布意図空間に基づいて、表現を再構築する。 3つの公開データセットの実験は、DIAURecが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-04-10T08:16:55Z)
• Turning Semantics into Topology: LLM-Driven Attribute Augmentation for Collaborative Filtering [27.20519975467197]
  Topology-Augmented Graph Collaborative Filtering (TAGCF)は、意味的知識をトポロジ接続に変換する新しいフレームワークである。 この拡張構造における異種関係を効果的にモデル化するために、適応的関係重み付きグラフ畳み込みを提案する。
  論文  参考訳（メタデータ） (2026-02-24T17:01:47Z)
• RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
  RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。 アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。 我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
  論文  参考訳（メタデータ） (2025-09-03T08:33:43Z)
• Behavioral Fingerprinting of Large Language Models [35.18856642496912]
  現在のLLM(Large Language Models)のベンチマークは主にパフォーマンス指標に焦点を当てている。 本稿では,従来の評価を超越した行動フィンガープリントの枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-02T07:03:20Z)
• Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation [72.73379646418435]
  クロスドメインシーケンシャルレコメンデーションは、ドメイン間でのユーザのシーケンシャルな好みを明らかにすることを目的としている。 ミスアライメントアイテム表現は、サブ最適シーケンシャルモデリングとユーザ表現アライメントにつながる可能性がある。 textbfCross- domain item representation textbfAlignment for textbfCross-textbfDomain textbfSequential textbfRecommendationを提案する。
  論文  参考訳（メタデータ） (2024-05-21T03:25:32Z)
• Detecting Human-Object Interactions with Object-Guided Cross-Modal Calibrated Semantics [6.678312249123534]
  我々は,オブジェクト指向の統計モデルを用いて,エンドツーエンドのモデルを強化することを目指している。 本稿では,Verb Semantic Model (VSM) とセマンティックアグリゲーション(セマンティックアグリゲーション)を用いて,このオブジェクト誘導階層から利益を得る方法を提案する。 上記のモジュールの組み合わせは、オブジェクト指向クロスモーダルネットワーク(OCN)を構成する。
  論文  参考訳（メタデータ） (2022-02-01T07:39:04Z)

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。