論文の概要: CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation

• arxiv url: http://arxiv.org/abs/2606.13001v1
• Date: Thu, 11 Jun 2026 07:38:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.648029
• Title: CFALR: Collaborative Filtering-Augmented Large Language Model for Personalized Fashion Outfit Recommendation
• Title（参考訳）: CFALR:Personalized Fashion Outfit Recommendationのための協調フィルタリング強化大言語モデル
• Authors: Yujuan Ding, Junrong Liao, Yunshan Ma, Yi Bin, Wenqi Fan, Tat-Seng Chua, Qing Li,
• Abstract要約: CFALR(Collaborative Filtering-Augmented Large Language Model for Recommendation)は、大規模言語モデルと協調フィルタリングを連携させ、パーソナライズされた服装推薦を行う新しいフレームワークである。 技術的な貢献は,(1)パーソナライズされた衣服のレコメンデーションに特化して設計された最初のLCMアーキテクチャ,(2)衣料品の広い組み合わせ空間を効率的にナビゲートするCF拡張生成機構,(3)リレーショナルとコンテンツの特徴を最適に統合するトレーニング可能なプロジェクション層である。
• 参考スコア（独自算出の注目度）: 65.826552825037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized outfit recommendation poses a significant challenge in e-commerce and social media platforms, requiring systems that balance user preferences with aesthetic compatibility. Collaborative filtering (CF) provides a traditional solution for this, but it struggles with data-sparse scenarios and complex user-item-outfit relationships. Meanwhile, existing template-based approaches are constrained by rigid pre-designed structures. To bridge these research gaps, we introduce CFALR (Collaborative Filtering-Augmented Large Language Model for Recommendation), a novel framework that synergizes collaborative filtering with large language models for personalized outfit recommendation. Specifically, CFALR describes user-outfit interactions in natural language and leverages LLMs to capture fashion semantics while employing CF-enhanced embeddings to bridge the semantic space and the collaborative interaction spaces. Our technical contributions include: (1) the first LLM-based architecture specifically designed for personalized outfit recommendation, (2) a CF-augmented generative mechanism that efficiently navigates the extensive combination space of outfit items, and (3) trainable projection layers that optimally integrate relational and content features. Experiments on Polyvore and IQON benchmarks demonstrate CFALR's superior performance over both traditional CF-based and LLM-based methods in personalized fill-in-the-blank and personalized outfit generation tasks.
• Abstract（参考訳）: パーソナライズされた服装のレコメンデーションは、Eコマースとソーシャルメディアプラットフォームにおいて重要な課題となり、ユーザの好みと美的互換性のバランスをとるシステムを必要としている。 協調フィルタリング(CF)は、これに伝統的なソリューションを提供するが、データスパースシナリオと複雑なユーザ・イテム・アウトフィット関係に苦しむ。 一方、既存のテンプレートベースのアプローチは、厳密な事前設計された構造によって制約される。 CFALR(Collaborative Filtering-Augmented Large Language Model for Recommendation)は,大規模言語モデルと協調フィルタリングを併用し,個人化された衣服推薦を行う新しいフレームワークである。 特に、CFALRは自然言語におけるユーザ・アウトフィットな相互作用を記述し、LLMを利用してファッションセマンティクスをキャプチャし、CF強化の埋め込みを用いてセマンティクス空間と協調的な相互作用空間をブリッジする。 技術的な貢献は,(1)パーソナライズされた衣服のレコメンデーションに特化して設計された最初のLCMアーキテクチャ,(2)衣料品の広い組み合わせ空間を効率的にナビゲートするCF拡張生成機構,(3)リレーショナルとコンテンツの特徴を最適に統合するトレーニング可能なプロジェクション層である。 PolyvoreとIQONベンチマークの実験では、パーソナライズされたフィリング・ザ・ブランクとパーソナライズされた服装生成タスクにおいて、従来のCFベースのメソッドとLCMベースの手法の両方よりもCFALRの方が優れた性能を示している。

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)
• 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)
• CoPL: Collaborative Preference Learning for Personalizing LLMs [24.12554324555074]
  本稿では, ユーザの反応関係をモデル化し, 嗜好推定を向上するグラフベースの協調フィルタリングフレームワークを提案する。 CoPLは大きな言語モデル(LLM)を効率よく微調整し、共有とユーザ固有の好みを動的にバランスさせる。 UltraFeedback-Pの実験では、CoPLが既存のパーソナライズされた報酬モデルより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-03-03T15:32:02Z)
• FSPO: Few-Shot Preference Optimization of Synthetic Preference Data in LLMs Elicits Effective Personalization to Real Users [111.56469697145519]
  メタ学習問題として報酬モデルを再設計するFew-Shot Preference Optimizationを提案する。 このフレームワークでは、LDMはそのユーザからいくつかのラベル付けされた好みを通じてユーザへの迅速な適応を学び、パーソナライズされた報酬関数を構築する。 公開されているLLMを用いて100万以上の合成パーソナライズされた好みを生成する。 本研究は,映画レビュー,教育背景に基づく教育適応,一般質問応答の3分野を対象に,最大1,500人の総合ユーザを対象に,パーソナライズされたオープンエンド世代に対するFSPOの評価を行った。
  論文  参考訳（メタデータ） (2025-02-26T17:08:46Z)
• Collaborative Retrieval for Large Language Model-based Conversational Recommender Systems [65.75265303064654]
  対話レコメンデーションシステム(CRS)は、ユーザとの対話を通じてパーソナライズされたレコメンデーションを提供することを目的としている。 大規模言語モデル(LLM)は、コンテキスト対応のユーザの好みに対する理解が優れているため、CRSを強化する。 CRAG(Collaborative Retrieval Augmented Generation for LLM-based CRS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T22:47:40Z)
• Decoding Style: Efficient Fine-Tuning of LLMs for Image-Guided Outfit Recommendation with Preference [4.667044856219814]
  本稿では,大規模言語モデル(LLM)の表現力を利用した,個人化された衣装推薦手法を提案する。 MLLM(Multimodal Large Language Model)を用いた画像キャプションによる項目記述の視覚的・テキスト的ギャップを橋渡しする。 このフレームワークは、Polyvoreデータセットで評価され、その効果を2つの重要なタスク、すなわちFill-in-the-blankと補完的なアイテム検索で実証する。
  論文  参考訳（メタデータ） (2024-09-18T17:15:06Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Large Language Models meet Collaborative Filtering: An Efficient All-round LLM-based Recommender System [19.8986219047121]
  協調フィルタリング推薦システム (CF-RecSys) は, ソーシャルメディアやeコマースプラットフォーム上でのユーザエクスペリエンス向上に成功している。 近年の戦略は、事前訓練されたモダリティエンコーダと大規模言語モデルに基づくユーザ/イテムのモダリティ情報の活用に重点を置いている。 コールドシナリオだけでなく、ウォームシナリオにおいても優れたA-LLMRecと呼ばれる全周LCMベースのレコメンダシステムを提案する。
  論文  参考訳（メタデータ） (2024-04-17T13:03:07Z)

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。