Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM

要約

ユーザーの異質な行動の分析とマイニングは、レコメンデーション システムにおいて最も重要です。
ただし、さまざまな種類の異種動作を推奨モデルに組み込む従来のアプローチでは、機能の希薄性と知識の断片化の問題が発生します。
この課題に対処するために、ユーザーの異種行動情報から異種知識を抽出して融合することにより、大規模言語モデル (LLM) を介してパーソナライズされた推奨を行うための新しいアプローチを提案します。
さらに、異種の知識と推奨タスクを組み合わせることで、LLM 上で指示のチューニングが実行され、個別の推奨が実現されます。
実験結果は、私たちの方法がユーザーの異質な行動を効果的に統合し、推奨パフォーマンスを大幅に向上できることを示しています。

要約(オリジナル)

The analysis and mining of user heterogeneous behavior are of paramount importance in recommendation systems. However, the conventional approach of incorporating various types of heterogeneous behavior into recommendation models leads to feature sparsity and knowledge fragmentation issues. To address this challenge, we propose a novel approach for personalized recommendation via Large Language Model (LLM), by extracting and fusing heterogeneous knowledge from user heterogeneous behavior information. In addition, by combining heterogeneous knowledge and recommendation tasks, instruction tuning is performed on LLM for personalized recommendations. The experimental results demonstrate that our method can effectively integrate user heterogeneous behavior and significantly improve recommendation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google