論文の概要: Multi-Modal Semantic Expansion with Constrained LLM Reranking for Conversational Music Recommendation

• arxiv url: http://arxiv.org/abs/2608.23484v1
• Date: Mon, 24 Aug 2026 16:48:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.203598
• Title: Multi-Modal Semantic Expansion with Constrained LLM Reranking for Conversational Music Recommendation
• Title（参考訳）: 対話型音楽レコメンデーションのためのLLMの制限付きマルチモーダルセマンティック拡張
• Abstract要約: 本稿では,ACM RecSys 2026 TalkPlayData Challengeに対するSemiintelligencnのソリューションについて紹介する。 提案システムでは,(1)高密度埋め込み空間を横断する減衰重み付きセントロイドを構成するマルチモーダル探索を行う。 差分進化により500セッション展開分割でRF重量を最適化し、MRRを+19.5%改善する。
• 参考スコア（独自算出の注目度）: 2.8110777003480654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Team Semiintelligencn's solution for the ACM RecSys 2026 TalkPlayData Challenge, addressing conversational music recommendation through a multi-modal and personalized conversational recommender system. Our submitted system employs a three-stage pipeline: (1) multi-modal retrieval constructing decay-weighted centroids across seven dense embedding spaces - track- and user-level CF-BPR, Qwen3 (metadata, lyrics, attributes), CLAP audio, and SigLIP visual - supplemented by BM25 lexical retrieval and an artist substring-match signal, all fused via weighted Reciprocal Rank Fusion (RRF) with optimized signal weights; (2) lightweight reranking (history filtering, popularity smoothing, and catalog diversity penalization); and (3) persona-diversified response generation using GPT-4o-mini. Beyond this submitted configuration, we report development-time experiments with additional components - constrained LLM-guided artist injection, album continuation signals, XGBoost LambdaMART, and a superior GPT-4.1 response prompt - that were not deployed to Blind B due to cost and complexity constraints. We optimize RRF weights on a 500-session development split via differential evolution, improving MRR by +19.5%. On Blind A, we observe that unconstrained LLM-guided injection across 54 sessions causes catastrophic nDCG regression (-18.9%), while conservative injection on only 9 sessions yields the best observed Blind A nDCG - a finding we present as a Blind A observation warranting further validation. The submitted system achieves a Blind B composite score of 0.3213.
• Abstract（参考訳）: 本稿では,ACM RecSys 2026 TalkPlayData Challengeに対するSemiintelligencnのソリューションを提案する。 提案システムでは,(1)高密度埋め込み空間 (トラック, ユーザレベルCF-BPR, Qwen3 (メダッタ, 歌詞, 属性), CLAPオーディオ, SigLIPビジュアル) をBM25レキシカル検索とアーティストサブストリング・マッチ信号で補足し, 重み付きReciprocal Rank Fusion (RRF) を最適化した信号重み付きで融合し, 2) 軽量リライト (ヒストリーフィルタリング, 人気スムリング, カタログの多様性ペナル化), (3) GPT-4o-mini を用いた個人分散応答生成を行う。 この構成の他に、制約付きLPM誘導アーティストインジェクション、アルバム継続信号、XGBoost LambdaMART、優れたGPT-4.1応答プロンプトなど、コストと複雑さの制約によりBlind Bにデプロイされなかった追加コンポーネントによる開発時間実験を報告します。 差分進化により500セッション展開分割でRF重量を最適化し、MRRを+19.5%改善する。 Blind A では,54 セッションにわたる無拘束 LLM 誘導注入が破滅的 nDCG 回帰(-18.9%)を引き起こすのに対し,9 セッションのみの保守的投与は Blind A nDCG を最もよく観察する。 入力されたシステムは、ブラインドB合成スコア0.3213を達成する。

関連論文リスト

• Retrieval-Augmented Multi-Prompt Ensemble for Minor-Grain Breeding Information Extraction [45.40972888157319]
  RAME(Retrieval-Augmented Multi-Prompt Ensemble)は、複数のLCM出力を制御された多様性の下で引き出すトレーニングフリーフレームワークである。 RAMEは総スコア0.499(NER 0.730, RE 0.346)を獲得し、GPT-5.5(0.448)を搭載した公式のトラックAベースラインを上回った。
  論文  参考訳（メタデータ） (2026-09-07T07:30:49Z)
• Sign Language Video Synthesis via Loss-Guided Multi-Expert GANs [5.455881292140741]
  本稿では,GANを用いた手話音声合成のためのフレームワークを提案する。 グローバル、ハンド、ヘッドの3つの特殊識別器は、それぞれ、ジェネレータの対応する専門家ブランチを、異なる視覚領域に向けてガイドする。 このシステムは2025年の香港フロンティア技術サミットで披露された。
  論文  参考訳（メタデータ） (2026-08-13T15:32:40Z)
• Multimodal Music Recommendation System using LLMs [53.1178230380919]
  本稿では,LastFM-1Kデータセットを3つの補完信号で強化するセッションベース音楽レコメンデーションフレームワークを提案する。 マルチモーダル機能と異なるアイテムIDエンコーダバックボーンで拡張することで、E4SRecフレームワークを採用する。 実験の結果,コンテンツベース機能の統合により,リコールでは最大95%,NDCGでは最大79%のベースラインが向上した。
  論文  参考訳（メタデータ） (2026-05-28T15:34:12Z)
• MARQUIS: A Three-Stage Pipeline for Video Retrieval-Augmented Generation [64.33427079838602]
  ビデオからの検索強化生成は、大規模なコーパスから関連するオーディオ視覚的証拠を検索し、一貫性のある属性付きテキストに合成するシステムを必要とする。 MARQUIS:クエリ拡張、融合、再ランク付けを通じて、これらの制限に対処する3段階のパイプライン。 記事生成において、ITER-QA-BASEはCAGベースライン平均スコアを3.09から3.83に改善し、MARQUIS-RLMは3.30の人間スコアと非QAシステムの中で最も強い引用リコールを達成する。
  論文  参考訳（メタデータ） (2026-05-17T20:19:04Z)
• RLearner-LLM: Balancing Logical Grounding and Fluency in Large Language Models via Hybrid Direct Preference Optimization [5.0009109610311855]
  ハイブリッドDPOを用いたRLearner-LLMを提案する。 RLearner-LLMはSFTよりも最大6倍NLI改善する。 Gemma 4 E4B-itでは、Hybrid-DPOは5つのドメインのうち4つのNLIを持ち上げる。
  論文  参考訳（メタデータ） (2026-05-06T06:36:09Z)
• RefineBench: Evaluating Refinement Capability of Language Models via Checklists [71.02281792867531]
  本研究は,2つの改良モード(ガイドリファインメントと自己リファインメント)を評価する。 ガイド付き改良では、プロプライエタリなLMと大きなオープンウェイトLMの両方が目標フィードバックを利用して、5ターン以内のほぼ完全なレベルへの応答を洗練できる。 これらの結果は、フロンティアLMは誤った反応を自己調整するためにブレークスルーを必要とすることを示唆している。
  論文  参考訳（メタデータ） (2025-11-27T07:20:52Z)
• LumiCRS: Asymmetric Contrastive Prototype Learning for Long-Tail Conversational Recommender Systems [2.4786559575079083]
  見出し映画の10%が言及のほぼ半分を占めており、テール映画の約70%はわずか26%しか注目されていない。 この不均衡は、頭過剰適合、体表のドリフト、尾の間隔という3つの重要な課題を引き起こします。 本稿では,LumiCRSを提案する。LumiCRS,LumiCRS,LumiCRS,LumiCRS,LumiCRS,LumiCRS,LumiCRS,LumiCRS,LumiCRS,LumiCRS,LumiCRS。
  論文  参考訳（メタデータ） (2025-07-07T07:33:00Z)
• Reverse Preference Optimization for Complex Instruction Following [61.39734201711077]
  本稿では,Reverse Preference Optimization (RPO) という,シンプルで効果的な手法を提案する。 選択された応答が完璧であることを保証するために、命令内の制約を動的に反転させることで、優先ペアのノイズを緩和する。 RPOはモデルサイズで効果的にスケールし、70B RPOモデルはGPT-4oを超える。
  論文  参考訳（メタデータ） (2025-05-28T09:44:27Z)
• MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
  異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。 提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
  論文  参考訳（メタデータ） (2024-01-07T08:59:32Z)
• Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
  音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。 提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
  論文  参考訳（メタデータ） (2022-06-13T11:41:39Z)

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。