論文の概要: Decision-Oriented Recommendation Reranking: An Empirical Study of Jev

• arxiv url: http://arxiv.org/abs/2609.40241v1
• Date: Wed, 30 Sep 2026 17:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.185199
• Title: Decision-Oriented Recommendation Reranking: An Empirical Study of Jev
• Title（参考訳）: 意思決定指向リコメンデーション:Jevの実証的研究
• Abstract要約: 大規模言語モデル(LLM)はリコメンデーションの再ランクを約束しているが、その使用はレコメンデーション品質とサービス効率の間に重要なトレードオフをもたらす。 本稿では、決定指向モデルが、事前定義された候補項目の中から基本的に構造化された選択である場合、有用な代替案を提供するかどうかを検討する。
• 参考スコア（独自算出の注目度）: 20.05433362691372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have shown promise for recommendation reranking, but their use introduces an important tradeoff between recommendation quality and serving efficiency. We investigate whether a decision-oriented model provides a useful alternative when the reranking task is fundamentally a structured choice among predefined candidate items. Specifically, we conduct a controlled empirical study of Jev, described by TypeSafe AI as a ``System One Model,'' for personalized recommendation reranking and compare it with recommendation-specific models and pointwise and listwise Qwen rerankers across multiple Amazon Reviews domains and candidate-set sizes, evaluating both recommendation effectiveness and observed serving latency. Our results show that Jev maintains strong recommendation effectiveness relative to the evaluated baselines while exhibiting substantially more gradual latency growth than the pointwise Qwen rerankers, although its observed serving latency remains substantially higher than that of recommendation-specific models. Together, these characteristics place Jev in a distinct quality--latency operating regime across candidate sizes and domains. These findings motivate further investigation of decision-oriented models for recommendation and other ranking tasks with structured output spaces.
• Abstract（参考訳）: 大規模言語モデル(LLM)はリコメンデーションの再ランクを約束しているが、その使用はレコメンデーション品質とサービス効率の間に重要なトレードオフをもたらす。 本稿では、決定指向モデルが、事前定義された候補項目の中から基本的に構造化された選択である場合、有用な代替案を提供するかどうかを検討する。 具体的には、TypeSafe AIによって「システムワンモデル」として記述されたJevの制御された実証的研究を行い、リコメンデーション固有のモデルと、複数のAmazon Reviewsドメインと候補セットサイズにわたるポイントワイドおよびリストワイドのQwenリランカを比較し、レコメンデーションの有効性を評価し、サービスレイテンシを観察する。 以上の結果から,Jevは評価ベースラインに対して高い推奨効率を維持しつつ,Qwenリランカよりも徐々に遅延が増大する傾向を示した。 これらの特徴が相まって、Jevは、候補のサイズとドメインにまたがる、明確な品質-レイテンシーの運用体制に置かれている。 これらの知見は, 構造化アウトプット空間を用いたリコメンデーションやその他のランキングタスクにおける決定指向モデルのさらなる研究を動機付けている。

関連論文リスト

• Reinforced Preference Optimization for Reasoning-Augmented Recommendations [34.99578717556569]
  本稿では、Recommenderシステムのための強化された優先最適化フレームワークRPORecを紹介する。 RPORecは、LPMバックボーンの推論能力を、アイテムの正確な検索のために専用のレコメンデーションヘッド(Rechead)と統合する。 公開ベンチマークと大規模オンラインデプロイメントに関する大規模な実験は、RPORecが最先端のLLMベースのレコメンデーションメソッド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） (2026-05-21T03:56:42Z)
• HARPO: Hierarchical Agentic Reasoning for User-Aligned Conversational Recommendation [10.766058469348382]
  本稿では,会話の推薦を構造化された意思決定プロセスとして再編成するエージェントフレームワークであるHARPOを提案する。 HarPOは階層的な選好学習を統合し、推奨品質を解釈可能な次元に分解する。 推奨中心のメトリクスに対して、強いベースラインよりも一貫した改善を示します。
  論文  参考訳（メタデータ） (2026-04-11T06:07:15Z)
• Probing Preference Representations: A Multi-Dimensional Evaluation and Analysis Method for Reward Models [63.00458229517523]
  本研究は、嗜好表現を探索することで、報酬モデルの評価課題に対処する。 多次元リワードモデルベンチマーク (MRMBench) を構築する。 本稿では,報酬予測時に使用する次元を同定し,その解釈可能性を高める解析手法,推論時探索を提案する。
  論文  参考訳（メタデータ） (2025-11-16T05:29:29Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• 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)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Recommendation with User Active Disclosing Willingness [20.306413327597603]
  本研究では,ユーザが異なる行動を公開する上で,その「意志」を示すことを許される,新しい推薦パラダイムについて検討する。 我々は,推薦品質とユーザ開示意欲のバランスをとる上で,モデルの有効性を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-10-25T04:43:40Z)
• Algorithmic Assistance with Recommendation-Dependent Preferences [1.5899159309486681]
  本稿では,共同意思決定モデルを提案する。 我々は、レコメンデーションに依存した選好が、意思決定者がレコメンデーションに過度に反応する非効率性を生み出すことを示す。
  論文  参考訳（メタデータ） (2022-08-16T09:24:47Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。