論文の概要: LSF-SR: Latent Semantic Fusion for Sequential Recommendation via Flow-based Conditional Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2609.29815v1
• Date: Thu, 24 Sep 2026 13:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.962479
• Title: LSF-SR: Latent Semantic Fusion for Sequential Recommendation via Flow-based Conditional Variational Autoencoders
• Title（参考訳）: LSF-SR:フローベース条件変分オートエンコーダによる逐次レコメンデーションのための潜在セマンティックフュージョン
• Abstract要約: フローベース条件付き変分オートエンコーダ(LSF-SR)を用いた逐次レコメンデーションのための潜在セマンティックフュージョンを提案する。 LSF-SRの中核は、平面または半径フローを付加した条件付き融合モジュールである。このモジュールはフレキシブルな潜在空間を学習し、類似のセマンティックプロファイルを持つアイテムが潜在多様体内にまとめられるように促す。
• 参考スコア（独自算出の注目度）: 7.57194608197382
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sequential recommendation aims to predict users' future interests from their historical interactions. Although Large Language Models (LLMs) capture rich item semantics, existing methods often struggle to align collaborative signals with textual semantic knowledge. As a result, the learned item representations fail to capture the complementary strengths of both signals, leading to suboptimal recommendation quality. To address this limitation, we propose Latent Semantic Fusion for Sequential Recommendation via Flow-based Conditional Variational Autoencoders (LSF-SR), a novel framework that uses a Conditional Variational Autoencoder (CVAE) with Normalizing Flows to fuse item ID embeddings and LLM-generated semantic signals. At the core of LSF-SR is a conditional fusion module augmented with planar or radial flows. This module learns a flexible latent space that encourages items with similar semantic profiles to cluster together within the latent manifold. Through extensive experiments on five public benchmark datasets, we demonstrate that LSF-SR consistently outperforms state-of-the-art baselines, achieving gains of up to 12.98% and 14.13% in Recall@20 and NDCG@20, respectively.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、ユーザの過去のインタラクションから将来の関心を予測することを目的としている。 大きな言語モデル(LLM)はリッチなアイテムセマンティクスをキャプチャするが、既存の手法は協調的な信号とテキストセマンティクスの知識の整合に苦慮することが多い。 その結果、学習項目表現は両信号の相補的な強度を捉えることができず、最適以下の推奨品質が得られる。 この制限に対処するために,条件付き変分オートエンコーダ(CVAE)を用いてアイテムIDの埋め込みとLLM生成セマンティック信号を融合する新しいフレームワークである,フローベースの条件付き変分オートエンコーダ(LSF-SR)によるシーケンスレコメンデーションのための潜在セマンティックフュージョンを提案する。 LSF-SRの中核には、平面または半径流で強化された条件付き核融合モジュールがある。 このモジュールはフレキシブルな潜在空間を学習し、類似のセマンティックプロファイルを持つアイテムが潜在多様体内にまとめられるように促す。 5つの公開ベンチマークデータセットに関する広範な実験により、LSF-SRは、それぞれRecall@20とNDCG@20で最大12.98%、14.13%の上昇を達成した。

関連論文リスト

• Listen to the Latents: Self-Correcting Speech Recognition in Large Audio Language Models Through Hidden-State Interactions [120.64235456332916]
  音声認識システムは、その意味的知識を活用するために、大規模言語モデル(LLM)を統合している。 我々は, 暖房適応型LLMベースASRモデルを改良し, 自己の適応型LLMを応用した。 本稿では,2つの観測を動機とした目標補正戦略であるハイブリッド検索を提案する。
  論文  参考訳（メタデータ） (2026-08-31T15:46:48Z)
• Every Preference Has Its Strength: Injecting Ordinal Semantics into LLM-Based Recommenders [5.600161718503259]
  我々は,対話レベルのユーザフィードバックをモデル化することによって,好みの強さを明示的に組み込んだハイブリッドCF-LLMフレームワークであるOrdinal Semantic Anchoring (OSA)を提案する。 複数の実世界のデータセットの実験は、OSAが既存のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-11T10:21:36Z)
• Empowering Contrastive Federated Sequential Recommendation with LLMs [13.016120865205258]
  フェデレートシーケンシャルレコメンデーション(FedSeqRec)は、ユーザのデータを分散化しながら、次のイテム予測を実行することを目的としている。 パラメータ分離型FedSeqRecアーキテクチャである textbfLUMOS を提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:47:43Z)
• GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
  GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-05T13:48:33Z)
• FACE: A General Framework for Mapping Collaborative Filtering Embeddings into LLM Tokens [28.971310672971914]
  大規模言語モデル(LLM)は、協調フィルタリング(CF)ベースのレコメンデーションシステムと統合するために研究されている。 重要な課題は、LCMがCFアプローチが生み出す非セマンティックな埋め込みを解釈するのに苦労していることである。 FACEはCF埋め込みを事前訓練されたLLMトークンにマッピングする一般的な解釈可能なフレームワークである。
  論文  参考訳（メタデータ） (2025-10-17T15:19:54Z)
• Beyond Semantic Understanding: Preserving Collaborative Frequency Components in LLM-based Recommendation [7.014265360936046]
  FreLLM4Recは、スペクトルの観点からの意味的および協調的な情報のバランスをとるために設計されたアプローチである。 4つのベンチマークデータセットの実験により、FreLLM4Recは協調的な信号減衰を軽減した。
  論文  参考訳（メタデータ） (2025-08-14T03:33:02Z)
• LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation [49.78419076215196]
  シーケンスレコメンデーションは、類似したユーザやアイテムの履歴行動から協調フィルタリング(CF)信号をモデル化することで、ユーザの将来のインタラクションを予測することを目的としている。 従来のシーケンシャルなレコメンダは、高次の共起パターンを通じてCF信号をキャプチャするIDベースの埋め込みに依存している。 大規模言語モデル(LLM)の最近の進歩は、テキスト記述からアイテム表現を導出するテキストベースのレコメンデーションアプローチを動機付けている。 理想的な埋め込みモデルは、ドメイン内およびドメイン外のレコメンデーションパフォーマンスを改善するために、CF信号とリッチなセマンティック表現をシームレスに統合すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-16T13:27:06Z)
• LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation [57.49045064294086]
  大きな言語モデル(LLM)は、その人気とは無関係に、アイテム間の意味的関係をキャプチャする能力を持つ。 LLMEmb(LLMEmb)は、LCMを利用してアイテム埋め込みを生成し、逐次レコメンダシステム(SRS)の性能を向上させる手法である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。