論文の概要: GrocLM: Grocery Category Recommendation in E-Commerce with Large Language Models

• arxiv url: http://arxiv.org/abs/2607.24764v1
• Date: Thu, 04 Jun 2026 23:55:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.042323
• Title: GrocLM: Grocery Category Recommendation in E-Commerce with Large Language Models
• Title（参考訳）: GrocLM:大規模言語モデルによるEコマースにおけるGrocery Category Recommendation
• Abstract要約: 実世界の生産環境において,食品カテゴリー推薦のための微調整言語モデルを提案する。 GROCLMは2段階のLoRAベースのトレーニング戦略を用いて、循環購入パターンを直接モデルパラメータにエンコードする。 プロプライエタリな生産データと公開ベンチマークの両方の実験は、GROCLMが強いベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 31.736819236884827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of online grocery shopping requires recommendation systems that capture cyclical purchasing behavior and diverse user intents. Traditional item-level methods face scalability and accuracy challenges, motivating category-level recommendation as a more structured and practical alternative. We present GROCLM, a fine-tuned language model for grocery category recommendation in a real-world production environment. GROCLM employs a two-stage LoRA-based training strategy to encode cyclical purchasing patterns directly into model parameters, enabling more effective utilization of rebuying signals compared to prompt-based conditioning. To ensure valid and controllable outputs, we further introduce a trie-based constrained decoding mechanism over a predefined category space. Experiments on both proprietary production data and a public benchmark demonstrate that GROCLM consistently outperforms strong baselines. In a live production restocking task, GROCLM achieves a 7.5% relative improvement in cart-adds per impression, while maintaining efficient inference by generating all categories jointly. These results highlight the effectiveness and practicality of integrating large language models into structured recommendation systems.
• Abstract（参考訳）: オンライン食料品ショッピングの急速な成長には、循環的な購買行動と多様なユーザ意図を捉えるレコメンデーションシステムが必要である。 従来のアイテムレベルのメソッドはスケーラビリティと精度の課題に直面しており、より構造化され実用的な代替手段としてカテゴリレベルのレコメンデーションを動機付けている。 実環境における食料品カテゴリー推薦のための微調整言語モデルGROCLMを提案する。 GROCLMは2段階のLoRAベースのトレーニング戦略を用いて、サイクル購入パターンを直接モデルパラメータにエンコードし、プロンプトベースのコンディショニングよりも効果的な再購入信号の利用を可能にする。 有効かつ制御可能な出力を保証するため、予め定義された圏空間上にトリエベースの制約付き復号機構を導入する。 プロプライエタリな生産データと公開ベンチマークの両方の実験は、GROCLMが強いベースラインを一貫して上回っていることを示している。 実生産再資源化作業において、GROCLMは、すべてのカテゴリを共同で生成し、効率的な推論を維持しつつ、印象1回あたりのカート加算の相対的な改善を7.5%達成する。 これらの結果は,大規模言語モデルを構造化レコメンデーションシステムに組み込むことの有効性と実用性を強調した。

関連論文リスト

• MLLMRec-R1: Incentivizing Reasoning Capability in Large Language Models for Multimodal Sequential Recommendation [28.144375777645006]
  逐次レコメンデーションのための効率よく安定したGRPOベースの推論フレームワークであるMLLMRec-R1を提案する。 MLLMRec-R1は、視覚信号をオフラインでテキスト化して、高価な視覚トークンを排除し、マルチモーダルセマンティクスを保存する。 3つのベンチマークデータセットの実験では、MLLMRec-R1が最先端メソッドを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-03-06T13:05:06Z)
• ChatShopBuddy: Towards Reliable Conversational Shopping Agents via Reinforcement Learning [88.87305027895657]
  本研究では,現実シナリオにおけるショッピングエージェントの強化学習に基づく最適化について検討する。 エージェントは、客観的指標(生産的正確性)、主観的品質(説得性)、成果報酬(最終応答品質)、プロセス報酬(ツール効率)にまたがる複数の相互依存目標を同時に満たさなければならない。 実験の結果、我々のRL学習エージェントであるChatShopBuddyは、一般的な推論に依存する大きなモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-03-06T09:18:51Z)
• T-REX: Transformer-Based Category Sequence Generation for Grocery Basket Recommendation [0.0]
  T-REXは、短期のバスケット依存と長期のユーザの好みの両方を学ぶことで、パーソナライズされたカテゴリレベルの提案を生成する。 提案手法は,(1)スパースショッピングパターンの動的シーケンス分割を利用した効率的なサンプリング戦略,(2)時間的パターンの適応的位置符号化方式,(3)推薦品質を維持しながら寸法を縮小するカテゴリレベルのモデリング手法,の3つの革新的手法を紹介する。
  論文  参考訳（メタデータ） (2026-02-23T19:19:46Z)
• CE-RM: A Pointwise Generative Reward Model Optimized via Two-Stage Rollout and Unified Criteria [48.70940362676624]
  専用の2段階ロールアウト法を用いて学習したポイントワイズ生成報酬モデルCE-RM-4Bを提案する。 オープンソースの選好データセットから算出した約5.7Kの高品質データを用いて、CE-RM-4Bは様々な報奨モデルベンチマークにおいて優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-01-28T07:46:13Z)
• EncodeRec: An Embedding Backbone for Recommendation Systems [4.7014546279849805]
  本稿では,コンパクトで情報的な埋め込みを学習しながら,テキスト表現を推奨目的と整合させるアプローチであるEncodeRecを提案する。 コアレコメンデーションベンチマークの実験では、シーケンシャルレコメンデーションモデルとセマンティックIDトークン化のバックボーンとしての有効性が示されている。 これらの結果は,汎用言語モデルと実用的なレコメンデーションシステムとのギャップを埋める上で,埋め込み適応が重要な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2026-01-15T20:15:01Z)
• GRPO-RM: Fine-Tuning Representation Models via GRPO-Driven Reinforcement Learning [52.16150076582931]
  我々は、表現モデル(GRPO-RM)のためのグループ相対ポリシー最適化を提案する。 我々の手法は,大規模言語モデル(LLM)におけるトークンシーケンスサンプリングを機能的に置き換えるための事前定義された出力セットを確立する。 特殊報酬関数は表現モデルの性質を満たすように設計されている。
  論文  参考訳（メタデータ） (2025-11-19T09:19:39Z)
• GLiClass: Generalist Lightweight Model for Sequence Classification Tasks [49.2639069781367]
  本稿では,シーケンス分類タスクにGLiNERアーキテクチャを適用する新しい手法であるGLiClassを提案する。 提案手法は,ゼロショットおよび少数ショット学習シナリオに必要な柔軟性を維持しつつ,埋め込み方式に匹敵する高い精度と効率を実現する。
  論文  参考訳（メタデータ） (2025-08-11T06:22:25Z)
• LLM-Enhanced Reranking for Complementary Product Recommendation [1.7149913637404794]
  本稿では,Large Language Models (LLMs) を利用したモデルに依存しないアプローチを提案する。 当社のアプローチは、補完的な製品レコメンデーションにおける正確性と多様性のバランスを効果的に保ち、少なくとも50%の精度測定値、2%の多様性測定値がデータセット全体を対象とした推奨項目の平均で上昇していることを実証しています。
  論文  参考訳（メタデータ） (2025-07-22T05:15:45Z)
• R$^2$ec: Towards Large Recommender Models with Reasoning [59.32598867813266]
  R$2$ecは、本質的な推論能力を持つ統一された大型レコメンデータモデルである。 R$2$ecは、推論チェーン生成と効率的なアイテム予測の両方を単一のモデルでサポートするデュアルヘッドアーキテクチャを導入している。 注釈付き推論データの欠如を克服するため、強化学習フレームワークであるRecPOを設計する。
  論文  参考訳（メタデータ） (2025-05-22T17:55:43Z)
• SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems [51.09233156090496]
  ディープレコメンデータシステムのためのSurrogatE-Light特徴選択法 SELFは、大規模言語モデルからのセマンティック推論と、代理モデルからのタスク固有の学習を統合する。 実世界のレコメンデータプラットフォームからの3つの公開データセットに関する総合的な実験は、SELFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-11T16:28:18Z)
• Inductive Generative Recommendation via Retrieval-based Speculation [26.70518822003545]
  生成的レコメンデーション(GR)は、アイテムを個別のトークンにトークン化し、次のトークンを予測として自動回帰的に生成することを学ぶ、新たなパラダイムである。 本稿では,プラグイン・アンド・プレイのフレームワークであるSpecGRを提案する。
  論文  参考訳（メタデータ） (2024-10-03T19:32:32Z)
• LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation [57.49045064294086]
  大きな言語モデル(LLM)は、その人気とは無関係に、アイテム間の意味的関係をキャプチャする能力を持つ。 LLMEmb(LLMEmb)は、LCMを利用してアイテム埋め込みを生成し、逐次レコメンダシステム(SRS)の性能を向上させる手法である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)

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。