Fugu-MT 論文翻訳(概要): TSPORec: Token Selection via Preference Optimization for LLM-Based Sequential Recommendation

論文の概要: TSPORec: Token Selection via Preference Optimization for LLM-Based Sequential Recommendation

arxiv url: http://arxiv.org/abs/2608.09605v1
Date: Mon, 10 Aug 2026 13:47:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.292585
Title: TSPORec: Token Selection via Preference Optimization for LLM-Based Sequential Recommendation
Title（参考訳）: TSPORec:LLMに基づくシークエンシャルレコメンデーションのための優先最適化によるトークン選択
Abstract要約: 大規模言語モデル(LLM)はレコメンデーションシステムを改善する強力なツールとして登場した。 LLMに基づくシーケンシャルレコメンデーションにおける優先度最適化のための新しいトークン選択手法を提案する。具体的には,情報トークンを選択するための3段階パイプラインを設計し,実装を容易にするための新しいプロキシ報酬を導入する。
参考スコア（独自算出の注目度）: 11.849304469793942
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Large Language Models (LLMs) have emerged as powerful tools for improving recommendation systems. The effectiveness of LLMs arises from their ability to harness rich textual information and their capacity to model heterogeneous user preferences based on users' interaction history. However, due to the large-scale and deep architectures, LLM-based sequential recommendation approaches generally incur high inference costs, resulting in a low return on investment. To mitigate this cost, many existing approaches resort to using only the first few tokens of item descriptions, which inadvertently discards valuable information contained in the full text, thereby leading to suboptimal recommendation performance. To address this limitation, we propose a novel Token Selection approach for Preference Optimization in LLM-based sequential Recommendation, i.e., TSPORec, which accurately pinpoints informative tokens throughout the entire textual content to improve recommendation performance. Specifically, we design a three-stage pipeline to select informative tokens and introduce a novel proxy reward to facilitate the implementation. TSPORec not only enhances recommendation performance but also improves computational efficiency. Extensive experiments across two models and datasets demonstrate the superb performance (up to 31.25%) and efficiency (up to 63.4%) of our approach compared with six baseline approaches. Code is available at https://github.com/WNQzhu/TSPORec.git.
Abstract（参考訳）: 大規模言語モデル(LLM)はレコメンデーションシステムを改善する強力なツールとして登場した。 LLMの有効性は、リッチテキスト情報を活用する能力と、ユーザのインタラクション履歴に基づいて異種ユーザの好みをモデル化する能力から生じる。しかし、大規模かつ深いアーキテクチャのため、LLMベースのシーケンシャルレコメンデーションアプローチは一般的に高い推論コストを発生させるため、投資のリターンは低い。このコストを軽減するために、既存の多くのアプローチでは、アイテム記述の最初の数個のトークンのみを使用することに頼り、必然的に全文に含まれる貴重な情報を破棄し、亜最適レコメンデーションパフォーマンスをもたらす。この制限に対処するため、LLMベースのシーケンシャルレコメンデーション(TSPORec)において、テキストコンテンツ全体の情報トークンを正確に特定し、レコメンデーション性能を向上させるため、新しいToken Selection approach for Preference Optimizationを提案する。具体的には,情報トークンを選択するための3段階パイプラインを設計し,実装を容易にするための新しいプロキシ報酬を導入する。 TSPORecはレコメンデーション性能を向上するだけでなく、計算効率も向上する。 2つのモデルとデータセットにわたる大規模な実験は、6つのベースラインアプローチと比較して、スーパーブのパフォーマンス(最大31.25%)と効率(最大63.4%)を示している。コードはhttps://github.com/WNQzhu/TSPORec.gitで入手できる。

関連論文リスト

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)
DeepRec: Towards a Deep Dive Into the Item Space with Large Language Model Based Recommendation [83.21140655248624]
大型言語モデル (LLM) はレコメンダシステム (RS) に導入された。本稿では, LLM と TRM の自律的マルチターンインタラクションを実現する新しい RS である DeepRec を提案する。公開データセットの実験では、DeepRecは従来のものとLLMベースのベースラインの両方で大幅にパフォーマンスが向上している。
論文参考訳（メタデータ） (2025-05-22T15:49:38Z)
GOT4Rec: Graph of Thoughts for Sequential Recommendation [25.03964361177406]
GOT4Recは、思考の推論戦略(GoT)のグラフを利用した、新しいシーケンシャルなレコメンデーション手法である。本手法は,短期的関心事,長期的関心事,他ユーザからの協力的情報という,ユーザ履歴の3つの重要な情報に焦点をあてる。実世界のデータセットに対する大規模な実験は、GOT4Recの有効性を示し、既存の最先端のベースラインを平均37.11%向上させた。
論文参考訳（メタデータ） (2024-11-22T13:24:01Z)
HLLM: Enhancing Sequential Recommendations via Hierarchical Large Language Models for Item and User Modeling [21.495443162191332]
大規模言語モデル(LLM)は様々な分野で顕著な成功を収めており、いくつかの研究がレコメンデーションシステムにおいてその可能性を探求している。逐次レコメンデーションシステムを強化するために,新しい階層型大規模言語モデル (HLLM) アーキテクチャを提案する。 HLLMは,項目特徴抽出とユーザ関心モデリングの両方に 7B パラメータを利用する構成で,優れたスケーラビリティを実現している。
論文参考訳（メタデータ） (2024-09-19T13:03:07Z)
Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。 M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
論文参考訳（メタデータ） (2024-09-03T04:55:03Z)
Taxonomy-Guided Zero-Shot Recommendations with LLMs [45.81618062939684]
大規模言語モデル (LLM) はレコメンデータシステム (RecSys) において有望であることを示す。項目情報の明瞭度と構造を改善するため,分類学辞書を用いた新しい手法を提案する。 TaxRecは従来のゼロショットアプローチに比べて推奨品質を大幅に向上させる。
論文参考訳（メタデータ） (2024-06-20T07:06:58Z)
CherryRec: Enhancing News Recommendation Quality via LLM-driven Framework [4.4206696279087]
我々は,textitCherryRecという名前のLarge Language Models (LLMs) を用いたニュースレコメンデーションフレームワークを提案する。 CherryRecは、レコメンデーションプロセスを加速しながら、レコメンデーションの品質を保証する。提案手法の有効性を,ベンチマークデータセット上での最先端のベースライン手法と比較することにより検証する。
論文参考訳（メタデータ） (2024-06-18T03:33:38Z)
Spread Preference Annotation: Direct Preference Judgment for Efficient LLM Alignment [72.99676237703099]
大規模言語モデルと人間の嗜好の整合性を高める新しいフレームワークを提案する。私たちのキーとなるアイデアは、小さな(種)データの中で人間の事前知識を活用することです。本稿では,ノイズ認識型選好学習アルゴリズムを導入し,生成した選好データにおける品質低下のリスクを軽減する。
論文参考訳（メタデータ） (2024-06-06T18:01:02Z)
Unlocking the Potential of Large Language Models for Explainable Recommendations [55.29843710657637]
説明ジェネレータを最近登場した大規模言語モデル(LLM)に置き換える影響は、まだ不明である。本研究では,シンプルで効果的な2段階説明可能なレコメンデーションフレームワークであるLLMXRecを提案する。いくつかの重要な微調整技術を採用することで、制御可能で流動的な説明が十分に生成できる。
論文参考訳（メタデータ） (2023-12-25T09:09:54Z)
LlamaRec: Two-Stage Recommendation using Large Language Models for Ranking [10.671747198171136]
ランキングベースレコメンデーション(LlamaRec)のための大規模言語モデルを用いた2段階フレームワークを提案する。特に,ユーザインタラクション履歴に基づいて候補を検索するために,小規模なシーケンシャルレコメンデータを用いる。 LlamaRecは、推奨パフォーマンスと効率の両方において、データセットの優れたパフォーマンスを一貫して達成している。
論文参考訳（メタデータ） (2023-10-25T06:23:48Z)
Query-Dependent Prompt Evaluation and Optimization with Offline Inverse RL [62.824464372594576]
ゼロショットプロンプト最適化により,Large Language Models (LLM) の算術的推論能力を向上させることを目的とする。このような最適化では、以前見過ごされたクエリ依存の目的を特定します。本稿では、オフライン逆強化学習を利用して、実演データから洞察を引き出すPrompt-OIRLを紹介する。
論文参考訳（メタデータ） (2023-09-13T01:12:52Z)
LLM-Rec: Personalized Recommendation via Prompting Large Language Models [62.481065357472964]
大きな言語モデル(LLM)は、常識的な知識と推論を活用する能力を示した。大規模言語モデル(LLM)の最近の進歩は、コモンセンスの知識と推論を活用できることを顕著に示している。本研究では,パーソナライズされたテキストベースのレコメンデーションを改善するために,テキストエンリッチメントの4つの異なる促進戦略を取り入れた新しいアプローチ LLM-Rec を提案する。
論文参考訳（メタデータ） (2023-07-24T18:47:38Z)

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。