Reformulating Sequential Recommendation: Learning Dynamic User Interest with Content-enriched Language Modeling

要約

レコメンダー システムはオンライン アプリケーションに不可欠であり、動的なユーザーの関心を捉える表現力により、逐次レコメンデーションが大幅に普及しています。
ただし、以前の逐次モデリング手法には、コンテキスト情報の取得において依然として制限があります。
この問題の主な理由は、言語モデルがドメイン固有の知識やアイテム関連のテキスト コンテンツを理解していないことが多いことです。
この問題に対処するために、私たちは新しい順次レコメンデーション パラダイムを採用し、事前トレーニングされた言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成する LANCER を提案します。
私たちのアプローチは言語モデルとレコメンダー システムの間のギャップを埋め、より人間らしいレコメンデーションを実現します。
私たちは、いくつかのベンチマーク データセットでの実験を通じてアプローチの有効性を実証し、有望な結果を示し、逐次的な推奨タスクに対するモデルの影響についての貴重な洞察を提供します。
さらに、実験コードは公開されています。

要約(オリジナル)

Recommender systems are essential for online applications, and sequential recommendation has enjoyed significant prevalence due to its expressive ability to capture dynamic user interests. However, previous sequential modeling methods still have limitations in capturing contextual information. The primary reason for this issue is that language models often lack an understanding of domain-specific knowledge and item-related textual content. To address this issue, we adopt a new sequential recommendation paradigm and propose LANCER, which leverages the semantic understanding capabilities of pre-trained language models to generate personalized recommendations. Our approach bridges the gap between language models and recommender systems, resulting in more human-like recommendations. We demonstrate the effectiveness of our approach through experiments on several benchmark datasets, showing promising results and providing valuable insights into the influence of our model on sequential recommendation tasks. Furthermore, our experimental codes are publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google