論文の概要: MATE: Adaptive Long- and Short-Term User Memory for LLM-Based Recommendation

• arxiv url: http://arxiv.org/abs/2610.06050v1
• Date: Mon, 05 Oct 2026 09:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:08:36.877542
• Title: MATE: Adaptive Long- and Short-Term User Memory for LLM-Based Recommendation
• Title（参考訳）: MATE: LLMに基づく推奨のための適応的長期・短期的ユーザメモリ
• Abstract要約: 大規模言語モデル(LLM)により強化されたレコメンデーションシステムは、パーソナライズされたレコメンデーションをサポートするためにリッチアイテムセマンティクスを活用する。 推論の最近の進歩は、推論中に内部状態を洗練するために、新たに利用可能な情報を利用することができることを示している。 LLM強化シーケンシャルレコメンデーションのための適応型ユーザモデリングフレームワークであるMATEを提案する。
• 参考スコア（独自算出の注目度）: 6.507932774180712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-enhanced recommender systems leverage rich item semantics to support personalized recommendation. However, semantic representations alone do not determine which historical behaviors reflect persistent preferences and which mainly indicate recent interests, leaving an important aspect of user understanding unresolved. Recent advances in LLM inference show that newly available information can be used to refine the internal state during inference, thereby improving subsequent predictions. Inspired by this principle, we propose MATE (Memory Adaptation with Temporal Evidence), an adaptive user modeling framework for LLM-enhanced sequential recommendation. MATE first evaluates each newly observed interaction from two temporal perspectives: whether it is repeatedly supported by historical behaviors and whether it is consistent with recent interactions. The resulting temporal evidence controls the updates of two user-specific memories, where the long-term memory conservatively preserves persistent preferences while the short-term memory rapidly adapts to recent interests. For each recommendation, a recent-context representation dynamically determines how strongly the two memories contribute to the current user representation. During offline training, next-item prediction is jointly optimized with temporal supervision, while during online adaptation, the shared model remains fixed and only the two user memories are updated from newly observed interactions. Experiments on MovieLens-10M, Amazon Luxury Beauty, and KuaiRec show that MATE improves mean NDCG@10 over the strongest external baseline by 7.0--13.2%. Further analyses support its ability to adapt to recent interests while retaining useful information about recurring earlier preferences.
• Abstract（参考訳）: 大規模言語モデル(LLM)により強化されたレコメンデーションシステムは、パーソナライズされたレコメンデーションをサポートするためにリッチアイテムセマンティクスを活用する。 しかし、意味表現だけでは、どの歴史的行動が永続的な嗜好を反映しているかは決定せず、主に最近の関心を示すものであり、ユーザの理解の重要な側面は未解決のままである。 LLM推論の最近の進歩は、新しい情報を用いて推論中の内部状態を洗練し、その後の予測を改善することができることを示している。 この原理に着想を得て,LLM強化シーケンシャルレコメンデーションのための適応型ユーザモデリングフレームワークであるMATE(Memory Adaptation with Temporal Evidence)を提案する。 MATEは2つの時間的視点から、それぞれの新しく観察された相互作用を、歴史的行動によって繰り返し支持されているかどうか、そして、それが最近の相互作用と一致しているかどうかから評価する。 結果として得られた時間的証拠は、2つのユーザ固有の記憶の更新を制御し、長期記憶は永続的な嗜好を保守的に保存し、短期記憶は最近の関心に急速に適応する。 各レコメンデーションに対して、最近のコンテキスト表現は、2つのメモリが現在のユーザ表現にどれだけ強く寄与するかを動的に決定する。 オフライントレーニング中、次の項目の予測は時間的監督と共同で最適化されるが、オンライン適応中は共有モデルは固定され、新たに観測されたインタラクションから2つのユーザメモリのみが更新される。 MovieLens-10M、Amazon Luxury Beauty、KuaiRecの実験では、MATEは最強の外部ベースラインに対して平均NDCG@10を7.0-13.2%改善している。 さらなる分析は、最近の関心に適応する能力を支持しつつ、以前の嗜好の繰り返しに関する有用な情報を保持する。

関連論文リスト

• ReMem: Rethinking Perception and Memory in Long-Context Recommendation Agents [56.60244663358724]
  最近の勧告エージェント(RecAgents)は、推奨をアクティブなユーザサイドパラダイムにシフトすることで、有望な代替手段を提供する。 本稿では,OCRに基づくマルチモーダル認識と時間進化動的メモリを組み合わせたリコメンデーションエージェントフレームワークReMemを提案する。 実験では、ReMemは最先端のベースラインを一貫して上回り、3つの推奨エージェントタスクで平均5.16%の改善を達成した。
  論文  参考訳（メタデータ） (2026-09-29T11:46:23Z)
• Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
  Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。 既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。 本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:52:20Z)
• SLSREC: Self-Supervised Contrastive Learning for Adaptive Fusion of Long- and Short-Term User Interests [22.535188624090353]
  SLSRecは、長期と短期の勧告を融合したセッションベースのモデルである。 長期的および短期的な関心表現の正確な校正を保証するために、対照的な学習戦略を導入する。 3つの公開ベンチマークデータセットの実験は、SLSRecが一貫して最先端モデルを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-04-06T08:49:46Z)
• ALPBench: A Benchmark for Attribution-level Long-term Personal Behavior Understanding [53.88804678012327]
  ALPBenchは属性レベルの長期的個人行動理解のためのベンチマークである。 ユーザと興味のある属性の組み合わせを予測し、基幹構造評価を可能にする。 ユーザの明示的に表現された要求よりも、長期的な歴史的行動の好みをモデル化する。
  論文  参考訳（メタデータ） (2026-02-03T03:32:16Z)
• HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation [24.720767926024433]
  HyMiRecは、大規模言語モデルのためのハイブリッドシーケンシャルレコメンデーションフレームワークである。 長いユーザシーケンスから粗い関心埋め込みを抽出し、洗練された関心埋め込みをキャプチャするためのLLMベースのレコメンデータを抽出する。 ユーザの多様な嗜好をモデル化するために,不整合型多目的学習モジュールを設計する。
  論文  参考訳（メタデータ） (2025-10-15T16:45:59Z)
• Enhancing Temporal Sensitivity of Large Language Model for Recommendation with Counterfactual Tuning [8.798364656768657]
  我々は、アンダーライン勧告(CETRec)の枠組みを提案する。 CETRecは因果推論の原則に基づいており、時間情報の特定の影響をレコメンデーション結果に分離し、測定することができる。 私たちのコードはhttps://anonymous.4open.science/r/CETRec-B9CE/で利用可能です。
  論文  参考訳（メタデータ） (2025-07-03T10:11:35Z)
• Denoising User-aware Memory Network for Recommendation [11.145186013006375]
  我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。 DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。 2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T14:39:36Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。