論文の概要: Profiling What Matters: Context-Aware Item Profiles from Large-Scale Metadata for LLM Recommenders
- arxiv url: http://arxiv.org/abs/2608.20801v1
- Date: Fri, 21 Aug 2026 07:20:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.43345
- Title: Profiling What Matters: Context-Aware Item Profiles from Large-Scale Metadata for LLM Recommenders
- Title（参考訳）: LLMレコメンダのための大規模メタデータからのコンテキスト対応項目プロファイルのプロファイリング
- Abstract要約: 本稿では,Large Language Models (LLMs) をベースとしたユーザコンテキスト対応アイテムプロファイリングフレームワークであるCAIROを提案する。
CAIROは、まず、生のメタデータとレビューを客観的な特徴と主観的な特徴に分類し、軽量プロファイラを使用して、ユーザとイズムのペアごとに最も関連性の高い情報を選択する。
- 参考スコア（独自算出の注目度）: 11.476186654782948
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Large Language Models (LLMs) have significantly advanced reranking in recommendation, effectively leveraging item-side information remains challenging. Real-world items are described by vast, heterogeneous, and unstructured metadata, where decision-relevant signals are often implicit, noisy, or buried in long descriptions. Moreover, feature salience is highly context-dependent, varying not only across items but also across users. Existing methods often rely on item titles, fixed attributes, or static item summaries, which limit personalized and fine-grained item understanding. To bridge this gap, we propose CAIRO, a user context-aware item profiling framework for LLM-based reranking. CAIRO first structures raw metadata and reviews into objective features and subjective traits, and employs a lightweight profiler to select the most relevant information for each user-item pair with limited serving-time overhead. The resulting profiles are concise and context-specific, providing relevant item-side evidence for the LLM's ranking decision. Experiments show that CAIRO consistently improves LLM-based reranking, highlighting the importance of item profiling that effectively exploits vast item-side information.
- Abstract（参考訳）: 大規模言語モデル(LLM)は推奨において大幅に進歩しているが、アイテム側情報を効果的に活用することは依然として困難である。
現実世界の項目は巨大で異質で非構造的なメタデータによって記述され、決定関連信号はしばしば暗黙的、騒々しく、あるいは長い記述に埋もれている。
さらに、機能のサリエンスは非常にコンテキストに依存しており、アイテムだけでなく、ユーザによっても異なる。
既存のメソッドは、しばしばアイテムのタイトル、固定属性、静的アイテムの要約に頼り、パーソナライズされ、きめ細かいアイテムの理解を制限する。
このギャップを埋めるために,ユーザコンテキスト対応のアイテムプロファイリングフレームワークであるCAIROを提案する。
CAIROは、まず、生のメタデータとレビューを客観的な特徴と主観的な特徴に分類し、軽量プロファイラを使用して、サービス時間オーバーヘッドに制限のある各ユーザイットペアについて、最も関連性の高い情報を選択する。
結果として得られたプロファイルは簡潔でコンテキスト特有であり、LCMのランキング決定に関するアイテムサイドの証拠を提供する。
実験の結果,CAIRO は LLM に基づく再分類を継続的に改善し,膨大なアイテム側情報を効果的に活用するアイテムプロファイリングの重要性を強調した。
関連論文リスト
- Toward Fine-Grained Forgetting:Attribute Unlearning for Multimodal Large Language Models [24.764929711765944]
マシンアンラーニングは、汎用性を維持しながら、スクラッチからリトレーニングすることなく、指定された知識を除去しようとする。
既存のプライバシ指向のベンチマークでは、主にプロファイルレベルの削除が採用されているが、実用的な要求はよりきめ細かいものが多い。
属性レベルのMLLMアンラーニングをよりきめ細かなタスクとして導入し、長文、数値、短文ターゲット、複数忘れ率、多様な質問タイプにまたがるベンチマークを構築した。
評価の結果,対象属性と保持属性が識別特異性および視覚的証拠を共有していることが判明した。
論文 参考訳（メタデータ） (2026-08-02T05:23:44Z) - Abstention-Aware Personalized Object Rearrangement via Uncertainty-Guided LLM Assistance [4.769747792846005]
APOLLOは、保持を意識したパーソナライズされたオブジェクト再構成のためのハイブリッドフレームワークである。
軽量でパーソナライズされた埋め込みモデル(PEM)と、選択型大規模言語モデル(LLM)のアシストを組み合わせる。
論文 参考訳（メタデータ） (2026-06-15T21:26:48Z) - DUET: Joint Exploration of User Item Profiles in Recommendation System [64.09357667290634]
本稿では,ユーザやアイテムに対して効果的なテキストプロファイルを構築する方法について検討する。
最大の難点は、最高のプロファイルフォーマットがプリオリを知らないことである。
ユーザ履歴とアイテムエビデンスの両方で条件付きユーザプロファイルとアイテムプロファイルを共同で生成するインタラクション対応プロファイル生成器であるDuetを提案する。
論文 参考訳（メタデータ） (2026-04-15T12:37:40Z) - Beyond Relevance: Utility-Centric Retrieval in the LLM Era [39.61318477806751]
このチュートリアルでは、検索の目的が、関連性中心の最適化からLLM中心のユーティリティへと進化しつつあると論じている。
本稿では, LLM に依存しない対 LLM 固有のユーティリティ, 文脈に依存しない対 文脈依存のユーティリティ, および LLM 情報要求とエージェントRAG との接続を包含する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-10T03:30:49Z) - Towards Realistic Personalization: Evaluating Long-Horizon Preference Following in Personalized User-LLM Interactions [50.70965714314064]
大規模言語モデル(LLM)は、ユーザが拡張されたインタラクションよりも複雑で多様な好みを共有するパーソナルアシスタントとして、ますます機能している。
この研究は、パーソナライズされたユーザ-LLMインタラクションにおいて、リアルな嗜好フォローを評価するためのベンチマークであるRealPrefを提案する。
論文 参考訳（メタデータ） (2026-03-04T15:42:43Z) - A Use-Case Specific Dataset for Measuring Dimensions of Responsible Performance in LLM-generated Text [4.102258214636392]
大規模言語モデル(LLM)を評価するために,実世界のアプリケーションによって駆動されるデータセットを提案する。
LLMの品質、正確性、安全性、公平性のギャップを特定するために、データの使い方を示す。
論文 参考訳（メタデータ） (2025-10-23T17:50:55Z) - Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。
AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。
結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
論文 参考訳（メタデータ） (2025-07-22T06:37:51Z) - From Millions of Tweets to Actionable Insights: Leveraging LLMs for User Profiling [3.304341919932024]
ドメイン定義文を活用する新しい大規模言語モデル(LLM)ベースのアプローチを導入する。
提案手法は,解釈可能な自然言語ユーザプロファイルを生成し,広範囲なユーザデータをスケールに集約する。
実験の結果,本手法は最先端のLCM法および従来手法よりも9.8%優れていた。
論文 参考訳（メタデータ） (2025-05-09T16:51:24Z) - Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
Instruct-LFはゴール指向の潜在因子発見システムである。
命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
論文 参考訳（メタデータ） (2025-02-21T02:03:08Z) - Large Language Models for Relevance Judgment in Product Search [48.56992980315751]
検索クエリに対する検索および再ランクされたアイテムの高い関連性は、製品検索の成功の土台である。
本稿では,大規模言語モデル(LLM)を活用して,クエリ・イテムペア(QIP)の関連判断を大規模に自動化する手法について述べる。
本研究は,製品検索における関連判断の自動化の分野への直接的な影響を示唆するものである。
論文 参考訳（メタデータ） (2024-06-01T00:52:41Z) - RAR: Retrieving And Ranking Augmented MLLMs for Visual Recognition [78.97487780589574]
MLLM(Multimodal Large Language Models)は、細粒度カテゴリの分類において優れている。
本稿では,MLLMの検索とランク付けのための拡張手法を提案する。
提案手法は, 微粒化認識における固有の限界に対処するだけでなく, モデルの包括的知識基盤も維持する。
論文 参考訳（メタデータ） (2024-03-20T17:59:55Z)
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。