Fugu-MT 論文翻訳(概要): Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation

論文の概要: Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation

arxiv url: http://arxiv.org/abs/2608.08583v1
Date: Sun, 09 Aug 2026 08:56:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.87579
Title: Structure-Preserving Projection for Mitigating Modality Bias in LLM-Based Sequential Recommendation
Title（参考訳）: LLMシークエンシャルレコメンデーションにおけるモダリティバイアスの緩和のための構造保存プロジェクション
Abstract要約: 本稿では,協調埋め込みのリレーショナル幾何を維持する構造保存プロジェクション手法を提案する。提案手法はレコメンデーション性能を継続的に改善し,LLMベースのレコメンデーションに信頼性の高いパスを提供する。
参考スコア（独自算出の注目度）: 3.3832080469951595
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent LLM-based recommenders integrate textual and collaborative signals by projecting collaborative embeddings into the embedding space of the LLM. However, this projection can introduce modality bias that distorts the underlying collaborative structure and limits the usefulness of projected embeddings. To address this issue, we propose a novel structure-preserving projection approach that maintains the relational geometry of collaborative embeddings through dedicated structure-preserving losses. Comprehensive experiments demonstrate that our approach consistently improves recommendation performance, providing a more reliable path for LLM-based recommendation.
Abstract（参考訳）: 最近のLLMベースのレコメンデータは、LLMの埋め込み空間に協調的な埋め込みを投影することにより、テキストと協調的な信号を統合する。しかし、このプロジェクションは、基礎となる協調構造を歪め、投影された埋め込みの有用性を制限するモダリティバイアスを導入することができる。この問題に対処するため、我々は、専用の構造保存損失を通して協調埋め込みのリレーショナル幾何を維持する構造保存プロジェクション手法を提案する。総合的な実験により,提案手法はレコメンデーション性能を継続的に改善し,LLMベースのレコメンデーションのパスをより信頼性の高いものにすることを示した。

関連論文リスト

SAILRec: Steering LLM Attention to Dual-Side Semantically Aligned Collaborative Embeddings for Recommendation [36.867366609555]
LLMベースのレコメンデータは、ユーザとイテムのインタラクションからの協調的な埋め込みによって言語モデルを強化する。協調的な埋め込みの利用は深さ依存的でアライメントに敏感であることがわかった。両面のセマンティックアライメントと階層的アテンションステアリングにより,このバランスを改善するLLMベースのレコメンデータSAILRecを提案する。
論文参考訳（メタデータ） (2026-06-03T06:46:32Z)
Generative Reasoning Recommendation via LLMs [48.45009951684554]
大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
論文参考訳（メタデータ） (2025-10-23T17:59:31Z)
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)
What LLMs Miss in Recommendations: Bridging the Gap with Retrieval-Augmented Collaborative Signals [4.297070083645049]
ユーザとイテムのインタラクションには、多くの成功したレコメンデーションシステムのバックボーンを形成する、リッチなコラボレーティブなシグナルが含まれている。大規模言語モデル(LLM)がこの種類の協調的な情報を効果的に説明できるかどうかは不明だ。構造化された相互作用データにそれらの予測を基礎づけることによりLLMを強化する単純な検索拡張生成(RAG)手法を提案する。
論文参考訳（メタデータ） (2025-05-27T05:18:57Z)
Rethinking LLM-Based Recommendations: A Personalized Query-Driven Parallel Integration [22.650609670923732]
本稿では,大規模言語モデルを候補選択から切り離す並列レコメンデーションフレームワークを提案する。我々のフレームワークはLLMとレコメンデーションモデルを並列に結合し、各コンポーネントが独立してその強みを活用できるようにする。
論文参考訳（メタデータ） (2025-04-16T09:17:45Z)
Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。次にReasoningを利用したRecommenderフレームワークを導入する。
論文参考訳（メタデータ） (2025-02-04T07:17:54Z)
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)
DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System [83.34921966305804]
大規模言語モデル (LLM) はレコメンデーションシステムにおいて顕著な性能を示した。 LLMと協調モデルのための新しいプラグ・アンド・プレイアライメントフレームワークを提案する。我々の手法は既存の最先端アルゴリズムよりも優れている。
論文参考訳（メタデータ） (2024-08-15T15:56:23Z)
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)
Improve Temporal Awareness of LLMs for Sequential Recommendation [61.723928508200196]
大規模言語モデル(LLM)は、幅広い汎用タスクを解く際、印象的なゼロショット能力を示した。 LLMは時間的情報の認識と利用に不足しており、シーケンシャルなデータの理解を必要とするタスクではパフォーマンスが悪い。 LLMに基づくシーケンシャルレコメンデーションのために、歴史的相互作用の中で時間情報を利用する3つのプロンプト戦略を提案する。
論文参考訳（メタデータ） (2024-05-05T00:21:26Z)

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。