論文の概要: PACERec: Progressive Adaptation of LLM Item Embeddings with Collaborative Evidence for Recommendation
- arxiv url: http://arxiv.org/abs/2611.03068v1
- Date: Mon, 02 Nov 2026 12:55:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 13:31:10.334898
- Title: PACERec: Progressive Adaptation of LLM Item Embeddings with Collaborative Evidence for Recommendation
- Title（参考訳）: PACERec:レコメンデーションのための協調的エビデンスを用いたLCM項目埋め込みのプログレッシブ適応
- Abstract要約: PACERecは、先行する相互作用コンテキストを意味表現適応に組み込んだIDフリーなプログレッシブ適応フレームワークである。
PACERecは、ユーザモデリングと候補スコアリングの両方において、連続的な遷移パターンをロングテールアイテムに一般化することを示す。
- 参考スコア（独自算出の注目度）: 39.444583202153865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) embeddings have been increasingly adopted in sequential recommendation to encode static item attributes and alleviate the limitations of item ID embeddings under sparse interactions. However, these embeddings typically capture only static content similarity while neglecting sequential transitions, and since their adaptation quality relies on sparse per-item updates or global geometric calibration, existing methods still struggle to explicitly transfer preceding interaction contexts from frequent to long-tail items under unevenly distributed behavioral evidence, limiting recommendation effectiveness across the catalog. To address this challenge, we propose PACERec, an ID-free progressive adaptation framework that incorporates preceding interaction contexts into semantic representation adaptation by learning a shared velocity field from items with sufficient interactions via frequency-weighted flow matching. In this way, PACERec progressively guides static LLM embeddings toward collaborative behavioral targets while preserving original item semantics, overcoming sparse per-item updates to effectively generalize sequential transition patterns to long-tail items for both user modeling and candidate scoring. Extensive experiments on three real-world datasets across three sequential backbones demonstrate the superiority of our method over competitive baselines in both overall and long-tail recommendation.
- Abstract（参考訳）: 大きな言語モデル(LLM)の埋め込みは、静的なアイテム属性をエンコードし、スパース相互作用下でのアイテムIDの埋め込みの制限を軽減するために、逐次的に推奨されるようになってきている。
しかしながら、これらの埋め込みは通常、シーケンシャルな遷移を無視しながら静的な内容の類似性のみを捉え、それらの適応品質はスパース・パー・イットムの更新やグローバルな幾何的キャリブレーションに依存しているため、既存の手法は、不均一に分散した行動証拠の下で、頻繁なアイテムから長いテールのアイテムへ、事前のインタラクションコンテキストを明示的に転送することに苦慮し、カタログ全体の推奨効率を制限している。
この課題に対処するために、周波数重み付きフローマッチングによる十分相互作用を持つ項目から共有速度場を学習することにより、先行する相互作用コンテキストを意味表現適応に組み込んだIDフリーなプログレッシブ適応フレームワークであるPACERecを提案する。
このようにして、PACERecは、初期項目のセマンティクスを保ちながら、静的LLM埋め込みを段階的に協調的な行動目標に向けて誘導し、スパース・パー・イットムの更新を克服し、ユーザモデリングと候補スコアの両方のためのロングテールアイテムへのシーケンシャル・トランジション・パターンを効果的に一般化する。
3つの連続したバックボーンにまたがる3つの実世界のデータセットに対する大規模な実験は、総合的および長期的推奨の両方において、競合するベースラインよりも、我々の手法が優れていることを示す。
関連論文リスト
- MIDA: Multi-Interest Decoding with Adaptive Aggregation for Session-based Recommendation [9.091680020447209]
セッションベースのレコメンデーション(SBR)は、限られたインタラクションシーケンスからユーザ関心を推測するが、現在のモデルでは、長い履歴が利用可能であれば、一貫したパフォーマンス低下を示す。
我々は、復号段階の再構成を提供する軽量かつエンコーダに依存しないフレームワークMIDAを紹介する。
論文 参考訳（メタデータ） (2026-10-25T10:05:39Z) - Action-Aligned Retrieval with Pairwise Multimodal Reranking for Text-Based Person Anomaly Search [10.617164505348283]
テキストに基づく人物異常検索は、見た目よりもよりきめ細かな、文脈に依存した行動に基づいて個人を識別する必要がある。
既存のメソッドは、これらのコンテキスト条件のアクションをキャプチャするのに苦労する。
本稿では,アクション整合検索とペアワイズ・マルチモーダル・リグレードを組み合わせた3段階間粗大化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-24T17:04:34Z) - Escaping the Euclidean Void: Manifold-Informed Flow Matching for Sequential Recommendation [28.629759086187352]
MIRAGEは、シーケンシャルなレコメンデーションで埋め込みを加速するフレームワークである。
学習された埋め込み幾何を、変化のない直線的な確率経路の周りで修正する。
MIRAGEは、4つの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一貫して上回る。
論文 参考訳（メタデータ） (2026-07-26T17:17:31Z) - Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。
本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
論文 参考訳（メタデータ） (2026-05-08T14:07:32Z) - CAST: Modeling Semantic-Level Transitions for Complementary-Aware Sequential Recommendation [3.9133310867939177]
補完的な関係は、しばしば次の項目を予測するのに不可欠な信号を与える。
本稿では,意味レベル遷移に基づく新しいモデリングパラダイムを提案する。
複数のeコマースデータセットの実験は、我々のフレームワークが最先端のアプローチ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） (2026-04-21T12:45:30Z) - Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation [17.14852109587492]
Sequential Recommendation (SR)は、過去のインタラクションシーケンスからユーザの好みを学習し、パーソナライズされた提案を提供する。
大きな言語モデル(LLM)は、アイテム間のセマンティックな関係をキャプチャすることで、有望なソリューションを提供する。
LLMを用いたFAERec(Tail-item Sequential Recommendation)のためのFusion and Alignment Enhancement frameworkを提案する。
論文 参考訳（メタデータ） (2026-04-04T11:19:08Z) - Edit-Based Flow Matching for Temporal Point Processes [51.33476564706644]
時間的ポイントプロセス(TPP)は、イベントシーケンスを連続的にモデル化するための基本的なツールである。
最近の非自己回帰拡散型モデルでは、ノイズとデータとの連立補間によってこれらの問題を緩和している。
本稿では,TPPの編集操作を挿入,削除,置換することで,ノイズをデータに転送する編集フロープロセスを提案する。
論文 参考訳（メタデータ） (2025-10-07T15:44:12Z) - 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) - Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。
従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。
Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
論文 参考訳（メタデータ） (2024-03-11T06:56:08Z) - 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。