論文の概要: Learning Robust Personalized Prompts for LLM-Driven Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2610.03923v1
• Date: Fri, 02 Oct 2026 18:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:26:59.11801
• Title: Learning Robust Personalized Prompts for LLM-Driven Sequential Recommendation
• Title（参考訳）: LLM駆動シーケンスレコメンデーションのためのロバストなパーソナライズドプロンプトの学習
• Abstract要約: LLM駆動シーケンシャルレコメンデーションは、自然言語プロンプトに条件付き自己回帰生成として次点予測を定式化する。 意味論的に等価なプロンプトにおける小さな単語変更は、かなりの性能変動を引き起こす可能性がある。 本稿では,個別テンプレートから連続的な命令プロンプトを初期化する学習可能なプロンプトフレームワークであるLRPRecを提案する。
• 参考スコア（独自算出の注目度）: 23.712246398626306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-driven sequential recommendation formulates next-item prediction as autoregressive generation conditioned on natural-language prompts. However, minor wording changes in semantically equivalent prompts can cause substantial performance fluctuations, undermining robustness and requiring costly manual prompt engineering. Continuous prompt learning reduces template dependence but faces two interacting challenges: shared task-level instructions lack user-specific reasoning guidance, while gradient updates can push continuous prompts outside the LLM's effective semantic space. Injecting personalized signals can further amplify this semantic drift. To address these challenges, we propose LRPRec, a learnable prompting framework that initializes continuous instruction prompts from discrete templates and introduces two complementary mechanisms. Personalized prompt injection encodes user behavior into a preference embedding and additively injects it into shared prompts, enabling parameter-efficient user-level adaptation. A semantic drift constraint regularizes the shared prompts within a trust region around their initialization anchors to preserve semantic validity during optimization. By constraining the shared component while allowing additive personalization, LRPRec decouples stability from expressiveness. Extensive experiments on three benchmark datasets demonstrate consistent improvements over strong baselines while eliminating the need for manual tuning of background and task inference templates.
• Abstract（参考訳）: LLM駆動シーケンシャルレコメンデーションは、自然言語プロンプトに条件付き自己回帰生成として次点予測を定式化する。 しかし、意味論的に等価なプロンプトのマイナーな言葉変更は、大幅なパフォーマンスの変動を引き起こし、ロバスト性を損なうとともに、手作業によるプロンプトエンジニアリングのコストがかかる。 継続的なプロンプト学習はテンプレート依存を減らすが、2つの相互作用する課題に直面している: 共有タスクレベルの命令はユーザ固有の推論ガイダンスを欠いている。 パーソナライズされたシグナルを注入することで、このセマンティックドリフトをさらに増幅することができる。 これらの課題に対処するために、離散テンプレートから連続的な命令プロンプトを初期化する学習可能なプロンプトフレームワークLRPRecを提案し、2つの補完機構を導入する。 パーソナライズされたプロンプトインジェクションは、ユーザの振る舞いを好みの埋め込みにエンコードし、それを共有プロンプトに付加的に注入することで、パラメータ効率のよいユーザレベルの適応を可能にする。 セマンティックドリフト制約は、その初期化アンカー周辺の信頼領域内の共有プロンプトを正規化し、最適化中のセマンティックな妥当性を維持する。 LRPRecは、付加的なパーソナライゼーションを許容しながら共有コンポーネントを制約することにより、安定性を表現性から切り離す。 3つのベンチマークデータセットに対する大規模な実験は、バックグラウンドとタスク推論テンプレートのマニュアルチューニングを不要にしながら、強いベースラインよりも一貫した改善を示している。

関連論文リスト

• Joint Semantic Token Selection and Prompt Optimization for Interpretable Prompt Learning [57.91658393667469]
  Interpretable Prompt Learningは、個別の意味トークンの選択と連続的なプロンプト最適化を交互に行うハイブリッドフレームワークである。 我々のフレームワークはプラグイン・アンド・プレイであり、既存の即興学習手法とシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-05-06T02:38:59Z)
• Small Language Model Helps Resolve Semantic Ambiguity of LLM Prompt [13.863963355859175]
  本稿では、明示的なプロンプト曖昧化による事前推論プロンプト最適化機構を提案する。 我々は、プロンプト内のセマンティックリスクを特定し、それらのマルチパースペクティブ一貫性を確認し、セマンティックコンフリクトを解決する。 本手法は, 推理性能を0.02ドルで2.5ポイント向上させる。
  論文  参考訳（メタデータ） (2026-04-25T12:13:26Z)
• Give Users the Wheel: Towards Promptable Recommendation Paradigm [21.39017335979666]
  Decoupled Promptable Sequential Recommendation (DPR)は、従来のシーケンシャルバックボーンにPromptable Recommendationをサポートするためのモデルに依存しないフレームワークである。 DPRは、潜在ユーザ表現を検索空間内で直接変調する。 プロンプト誘導タスクにおいて、最先端のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-21T18:41:28Z)
• RESTORE: Towards Feature Shift for Vision-Language Prompt Learning [33.13407089704543]
  ここでは,CLIPの1つの分岐のみに沿った即時チューニングが,誤調整の発生の原因であることを示す。 学習可能なパラメータをさまざまなモダリティで適切に正規化することなく、迅速な学習は元の事前学習制約に違反する。 クロスモーダルな一貫性に明示的な制約を課すマルチモーダルなプロンプト学習手法であるRESTOREを提案する。
  論文  参考訳（メタデータ） (2024-03-10T08:52:48Z)
• Contrastive Instruction Tuning [61.97704869248903]
  意味論的に等価な命令-インスタンスペア間の類似性を最大化するために、コントラスト命令チューニングを提案する。 PromptBenchベンチマークの実験によると、CoINはLLMの頑健さを一貫して改善し、文字、単語、文、意味のレベルを平均して2.5%の精度で変化させる。
  論文  参考訳（メタデータ） (2024-02-17T00:09:32Z)
• Evaluating the Instruction-Following Robustness of Large Language Models to Prompt Injection [70.28425745910711]
  LLM(Large Language Models)は、命令追従に非常に熟練した言語である。 この能力は、迅速なインジェクション攻撃のリスクをもたらす。 このような攻撃に対する命令追従LDMの堅牢性を評価する。
  論文  参考訳（メタデータ） (2023-08-17T06:21:50Z)
• Self-regulating Prompts: Foundational Model Adaptation without Forgetting [112.66832145320434]
  本稿では,PromptSRCと呼ばれる自己正規化フレームワークを提案する。 PromptSRCはタスク固有の汎用表現とタスクに依存しない汎用表現の両方に最適化するプロンプトを導く。
  論文  参考訳（メタデータ） (2023-07-13T17:59:35Z)

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。