論文の概要: Decision-Native Recommendation with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.34124v1
• Date: Sun, 25 Oct 2026 07:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.540253
• Title: Decision-Native Recommendation with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた意思決定-Native Recommendation
• Abstract要約: ジェネレーションベースのレコメンダは、テキストとして間接的に次のイテム予測を表現します。 私たちは、アイテムの選択とレコメンデーションの信頼性を共同でモデル化する新しいパラダイムである、意思決定ネイティブレコメンデーションを紹介します。
• 参考スコア（独自算出の注目度）: 33.958885244028046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) bring world knowledge to user preference modeling in sequential recommendation, but generation-based recommenders express next-item predictions indirectly as text. Generated outputs may fail to identify a unique candidate item, depend on candidate presentation order in the prompt, and lack explicit confidence in the recommendation. Recent studies explore Jev, a model for fast option selection with explicit confidence. Inspired by Jev, we introduce decision-native recommendation, a new paradigm that jointly models item choice and recommendation confidence using LLM representations. It requires valid candidate selection, consistency under candidate reordering, and confidence that reflects recommendation accuracy. We propose Direct Item Choice Estimation (DICE), which learns a personalized next-item distribution over supplied candidates from user interaction history and recommends the highest-scoring item with calibrated confidence. Tree-structured attention shares history computation across isolated candidate branches for order-consistent candidate scoring in a single forward pass. On three recommendation datasets, DICE achieves higher top-one accuracy than all evaluated baselines. Separate evaluations show unchanged item choices under tested candidate reorderings and end-to-end speedups of up to approximately $6\times$ over the evaluated generation-based methods. Its confidence estimates support selective recommendation by identifying more reliable predictions and guide additional computation for low-confidence examples in offline routing.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、世界知識をユーザの嗜好モデリングに逐次的推奨をもたらすが、世代ベースの推奨者は、テキストとして間接的に次のイテム予測を表現している。 生成された出力は、ユニークな候補項目を特定することができず、プロンプトにおける候補の提示順序に依存し、推奨事項への明確な信頼が欠如している。 最近の研究は、明確な自信を持つ高速オプション選択のモデルであるJevを探求している。 Jev に触発されて,LLM 表現を用いた項目選択とレコメンデーション信頼を共同でモデル化する新たなパラダイムである決定ネイティブレコメンデーションを導入した。 有効な候補選択、候補の再注文時の一貫性、推奨精度を反映した信頼が必要です。 提案手法は,ユーザインタラクション履歴から提供された候補に対して,個別化された次項目分布を学習し,信頼性を校正した最上位項目を推薦する。 木構造アテンションは、単一のフォワードパスで順序一貫性のある候補を決定するために、孤立した候補ブランチ間で履歴計算を共有する。 3つのレコメンデーションデータセットでは、DICEは評価されたすべてのベースラインよりも高いトップワン精度を達成する。 異なる評価では、テストされた候補の並べ替えとエンドツーエンドのスピードアップにおいて、評価された世代ベースメソッドよりも最大6\times$の項目選択が変更されない。 その信頼度推定は、より信頼性の高い予測を識別し、オフラインルーティングにおける低信頼例に対するさらなる計算を導くことで、選択的レコメンデーションをサポートする。

関連論文リスト

• User Preference Induction with LLMs for Offline Top-N Recommendation Evaluation [5.10348690267577]
  オフラインレコメンデータ評価における妥当性判断の枠組みを提案する。 我々のアプローチは2つの補完的な役割で大きな言語モデルを使用する。 実験により,この手法はオフライントップN評価の堅牢性を向上させるための有望な戦略であることが示された。
  論文  参考訳（メタデータ） (2026-07-13T10:16:24Z)
• Preference Discerning with LLM-Enhanced Generative Retrieval [23.559962422900238]
  逐次レコメンデーションでは、モデルがユーザのインタラクション履歴に基づいたアイテムを推奨する。 本稿では,ユーザの嗜好を生成的レコメンデーションモデルに明示的に規定する,選好識別という新たなパラダイムを提案する。 以上の結果から,Menderはトレーニング中に観察されなかったとしても,ヒトの嗜好によって指導される推奨に効果的に適応することが示された。
  論文  参考訳（メタデータ） (2024-12-11T18:26:55Z)
• 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)
• 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)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)

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。