論文の概要: CRAMER: Control via Request-Aware Masking for Editing Recommenders
- arxiv url: http://arxiv.org/abs/2608.25370v1
- Date: Wed, 26 Aug 2026 04:43:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.595048
- Title: CRAMER: Control via Request-Aware Masking for Editing Recommenders
- Title（参考訳）: CRAMER:レコメンダ編集のための要求対応マスキングによる制御
- Abstract要約: 本稿では,レコメンダ編集のための要求対応マスキングによる制御を提案する。
CRAMERは、ユーザーリクエストを制御信号として扱い、マスクによって凍結したバックボーンパラメータを変調する。
コストのかかる再トレーニングを避けながら、多様なリクエストへの即時適応を実現します。
- 参考スコア（独自算出の注目度）: 3.5057035107656733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sequential recommendation models, while powerful, have limited flexibility in responding to immediate user requests, making it difficult to adapt their recommendations to the user's timely interests. Unfortunately, existing user request adaptation methods often incur high computational overhead due to either 1) retraining the entire backbone network or 2) leveraging the inference ability of large language models (a.k.a. prompt engineering), limiting their applicability in large-scale recommendation services. This paper presents Control via Request-Aware Masking for Editing Recommenders (CRAMER), a framework that takes users' natural-language requests to immediately change sequential recommendation models' behavior. Specifically, inspired by the model control theory, CRAMER treats user requests as control signals to modulate frozen backbone parameters through masking, achieving instant adaptation to diverse requests while avoiding costly retraining. Experiments on multiple large-scale benchmark datasets show that CRAMER outperforms four state-of-the-art request-aware baselines across multiple recommendation metrics while achieving minimal overhead. Moreover, the proposed framework exhibits enhanced controllability and cross-domain adaptability, establishing a new paradigm for request-aware sequential recommendation.
- Abstract（参考訳）: シーケンシャルレコメンデーションモデルは、強力ではあるが、即時的なユーザ要求に対応する柔軟性が制限されており、ユーザのタイムリーな関心事に彼らのレコメンデーションを適用することは困難である。
残念ながら、既存のユーザ要求適応手法は、どちらも高い計算オーバーヘッドを引き起こすことが多い。
1)バックボーンネットワーク全体をリトレーニングするか
2)大規模レコメンデーションサービスにおいて,大規模言語モデル(即時エンジニアリング)の推論能力を活用すること。
本稿では,レコメンデーションモデルの動作を即時変更するために,ユーザの自然言語要求を受信するフレームワークであるCRAMER(Request-Aware Masking for Editing Recommenders)を提案する。
特に、モデル制御理論にインスパイアされたCRAMERは、ユーザリクエストを制御信号として扱い、マスキングによって凍結したバックボーンパラメータを変調し、コストのかかる再トレーニングを回避しながら、多様なリクエストへの即時適応を実現する。
複数の大規模ベンチマークデータセットの実験では、CRAMERは複数のレコメンデーションメトリクスで4つの最先端の要求認識ベースラインを上回り、オーバーヘッドを最小限に抑えている。
さらに、提案フレームワークは、制御性とドメイン間の適応性を向上し、リクエスト対応シーケンシャルレコメンデーションのための新しいパラダイムを確立する。
関連論文リスト
- Recommender System as Slow and Fast Thinkers [12.034704337954613]
textscDS-Frameは、シーケンシャルレコメンデーションのための適応的な高速スロー推論フレームワークである。
textscDS-Frameは、典型的なレコメンデーションバックボーンを一貫して改善する。
これは、より効率的で堅牢なレコメンデーションのための適応推論の可能性を強調します。
論文 参考訳（メタデータ） (2026-09-02T14:45:39Z) - Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。
具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
論文 参考訳（メタデータ） (2025-11-24T04:10:46Z) - Token-Controlled Re-ranking for Sequential Recommendation via LLMs [32.61510378078676]
CORECは、新しいトークン拡張されたリグレードフレームワークで、レコメンデーション結果の作成に特定のユーザー要求を取り入れている。
CORECは、明示的な属性ベースの信号を通じて、正確なフレキシブルなコントロールで検索結果を再ランク付けすることを可能にする。
実験により、CORECは標準推奨の有効性に関する最先端のベースラインを超えていることが示されている。
論文 参考訳（メタデータ） (2025-11-22T04:31:19Z) - CTRL-Rec: Controlling Recommender Systems With Natural Language [8.711335780004674]
本稿では,従来のレコメンデータシステムの自然言語制御をリアルタイムに行う手法を提案する。
我々は、従来のレコメンデータシステムが最適化する信号の標準重み付けに、ユーザ要求に基づく予測を統合する。
本研究では,19名のレターボックスユーザを対象に,レコメンデーションによってユーザのコントロール意識と満足度を著しく向上させる手法について検討した。
論文 参考訳（メタデータ） (2025-10-14T17:20:04Z) - 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) - Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。
既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。
本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:56:20Z) - MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。
まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。
次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
論文 参考訳（メタデータ） (2024-04-25T12:11:27Z) - Intelligent Request Strategy Design in Recommender System [76.90734681369156]
我々は、Intelligent Request Strategy Design(IRSD)というエッジインテリジェンスの新しい学習タスクを構想する。
IRSDは、ユーザのリアルタイムな意図に基づいて、リクエスト挿入の適切なタイミングを決定することにより、ウォーターフォールRSの有効性を向上させることを目的としている。
我々は、アップリフトベースのOn-edge Smart Request Framework(AdaRequest)という、適応的な要求挿入戦略の新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2022-06-23T16:51:38Z) - Improving Sequential Query Recommendation with Immediate User Feedback [6.925738064847176]
本稿では,対話型データ探索設定における次のクエリレコメンデーションのためのアルゴリズムを提案する。
人気のあるオンライン文献発見サービスからログファイルを用いて大規模な実験を行った。
論文 参考訳（メタデータ） (2022-05-12T18:19:24Z) - Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
逐次リコメンデーションタスクのための自己指導型強化学習を提案する。
提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。
このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-10T11:18:57Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。