Fugu-MT 論文翻訳(概要): Hierarchical Latent Reasoning for LLM-based Recommendation

論文の概要: Hierarchical Latent Reasoning for LLM-based Recommendation

arxiv url: http://arxiv.org/abs/2607.27760v1
Date: Thu, 30 Jul 2026 06:58:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.426967
Title: Hierarchical Latent Reasoning for LLM-based Recommendation
Title（参考訳）: LLMに基づくレコメンデーションのための階層的潜在推論
Abstract要約: 階層型レイトレント推論フレームワークHiLaRを提案する。 HiLaRは、時間的誘導された階層的ユーザ嗜好表現を構築し、それらを複数の潜在推論状態と整合させ、広い嗜好からきめ細かい現在の意図への推論プロセスを整理する。 4つのAmazonベンチマークデータセットの実験によると、HiLaRは一般的に、強いシーケンシャル、生成、LLMベースのレコメンデーション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）: 14.45680416101083
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Language Models (LLMs) have shown strong potential for recommendation by leveraging their semantic understanding and contextual modeling capabilities. Recent studies further introduce reasoning mechanisms to improve user preference modeling. However, explicit natural-language reasoning incurs substantial inference overhead, whereas existing latent reasoning methods mainly focus on generating or verifying intermediate states, leaving their layer-wise preference roles and contributions insufficiently characterized. We propose HiLaR, a Hierarchical Latent Reasoning framework with layer-aware reinforcement optimization for LLM-based recommendation. HiLaR constructs temporal-guided hierarchical user preference representations, aligns them with multiple LLM latent reasoning states, and organizes the reasoning process from broad preferences to fine-grained current intents. To further optimize the reasoning trajectory, HiLaR combines final recommendation feedback with layer-aware process rewards derived from the marginal target-likelihood gain of each state. Experiments on four Amazon benchmark datasets show that HiLaR generally outperforms strong sequential, generative, and LLM-based recommendation baselines. Ablation and sensitivity analyses further verify the contribution of hierarchical representation learning, latent alignment, and process-level optimization. Our code is available in https://github.com/hupeiyu21/HiLaR.
Abstract（参考訳）: 大規模言語モデル(LLM)は、セマンティック理解とコンテキストモデリング機能を活用することで、推奨の可能性が強い。近年の研究では、ユーザの嗜好モデリングを改善するための推論機構についても紹介されている。しかし、明示的な自然言語推論はかなりの推測オーバーヘッドを生じさせるが、既存の潜在推論手法は主に中間状態の生成や検証に焦点を合わせており、それらの階層的な選好の役割と貢献は不十分である。階層型レイトレント推論フレームワークHiLaRを提案する。 HiLaRは、時間的誘導による階層的ユーザ嗜好表現を構築し、複数のLCM遅延推論状態と整列し、より広い嗜好からきめ細かな現在の意図への推論プロセスを整理する。推論の軌道をさらに最適化するために、HiLaRは各状態の限界目標類似ゲインから導かれる層認識プロセス報酬と最終レコメンデーションフィードバックを組み合わせる。 4つのAmazonベンチマークデータセットの実験によると、HiLaRは一般的に、強いシーケンシャル、生成、LLMベースのレコメンデーションベースラインを上回っている。アブレーションと感度分析は、階層的表現学習、潜在アライメント、プロセスレベルの最適化の寄与をさらに検証する。私たちのコードはhttps://github.com/hupeiyu21/HiLaR.comで利用可能です。

関連論文リスト

Factorized Latent Reasoning for LLM-based Recommendation [22.89937395617018]
逐次リコメンデーションのための新しいフレームワークであるFactized Latent Reasoning (FLR)を提案する。 FLRは潜伏推論を複数の非絡み合った選好因子に分解する。 FLRは、頑健さと解釈性を改善しつつ、強いベースラインを一貫して上回ることを示す。
論文参考訳（メタデータ） (2026-04-29T14:55:53Z)
Reasoning to Rank: An End-to-End Solution for Exploiting Large Language Models for Recommendation [44.51582748617213]
ランクへの推論(Reasoning to Rank)は、言語モデルにおけるステップバイステップ推論の学習に推奨ユーティリティ最適化を内部化するエンドツーエンドのトレーニングフレームワークである。本フレームワークは,言語モデルのエンド・ツー・エンド・トレーニングに強化学習を導入し,ユーザ・イテムレベルで推論を行う。
論文参考訳（メタデータ） (2026-02-13T02:22:48Z)
Rectifying LLM Thought from Lens of Optimization [48.98086817378953]
ロングチェーン・オブ・シンクレット (Long chain-of- Thought, CoT) は、徹底的な調査と検討を可能にする。進歩にもかかわらず、長いCoT LLMは、しばしば最適な推論行動を示す。ポストトレーニング中のLCM推論を洗練するための新しい手法であるReProを紹介する。
論文参考訳（メタデータ） (2025-12-01T17:41:08Z)
From What to Why: Thought-Space Recommendation with Small Language Models [2.134948383299948]
大規模言語モデル(LLM)は推論の強化を通じて高度なレコメンデーション機能を備えているが、実際のデプロイメントには大きな課題がある。 SLM(Small Language Models)は効率的な代替手段を提供するが、推奨する推論機能は未検討のままである。 PULSE(Preference Understanding by Latent Semantic Embeddings)は,SLM生成論理をディレクター学習信号として扱うフレームワークである。
論文参考訳（メタデータ） (2025-10-08T11:22:26Z)
Towards Comprehensible Recommendation with Large Language Model Fine-tuning [41.218487308635126]
本稿では,コラボレーティブ・パースペクティブ・フレームワーク(CURec)によるレコメンデーションシステムのための新しいコンテンツ理解手法を提案する。 Curecは、より包括的なレコメンデーションのために、協調的なコンテンツ機能を生成する。公開ベンチマークの実験では、既存の方法よりもCURecの方が優れていることが示されている。
論文参考訳（メタデータ） (2025-08-11T03:55:31Z)
Revisiting LLM Reasoning via Information Bottleneck [57.519119962528166]
大規模言語モデル(LLM)は、最近、検証可能な報酬付き強化学習(RLVR)を通じて推論能力の顕著な進歩を示した。本稿では,情報ボトルネック(IB)の原理に基づくLLM推論の理論的特徴について述べる。 IB対応推論最適化(IBRO)を提案する。
論文参考訳（メタデータ） (2025-07-24T13:14:25Z)
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)
LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
論文参考訳（メタデータ） (2025-05-22T16:22:54Z)
Towards Scalable Semantic Representation for Recommendation [65.06144407288127]
大規模言語モデル(LLM)に基づく意味的IDを構築するために、Mixture-of-Codesを提案する。提案手法は,識別性と寸法の堅牢性に優れたスケーラビリティを実現し,提案手法で最高のスケールアップ性能を実現する。
論文参考訳（メタデータ） (2024-10-12T15:10:56Z)
Direct Preference Optimization for LLM-Enhanced Recommendation Systems [33.54698201942643]
大規模言語モデル(LLM)は、幅広い領域で顕著なパフォーマンスを示している。我々は,DPOをLLM強化レコメンデーションシステムに統合するフレームワークであるDPO4Recを提案する。大規模な実験により、DPO4Recは強いベースラインよりも性能が大幅に向上した。
論文参考訳（メタデータ） (2024-10-08T11:42:37Z)
Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
論文参考訳（メタデータ） (2024-08-14T10:03:40Z)

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。