核心概念
LLMベースの推薦システムにおいて、アイテムを表す言語的IDを学習することで、推薦精度を大幅に向上させることができる。
要約
本論文では、LLMベースの推薦システムにおいて、アイテムを表す言語的IDを学習する手法を提案している。従来の推薦システムでは、アイテムにランダムな数値IDを割り当てていたが、この手法では人間の言語トークンを使ってアイテムIDを生成することで、LLMの言語理解能力を最大限に活用できる。
具体的には以下の3つのステップで構成される:
IDジェネレータ: アイテムのメタ情報から、簡潔かつ意味的に豊かな言語的IDを生成する。
ベースの推薦モデル: 生成されたアイテムIDを用いて、ユーザの履歴から次のアイテムを生成する。
交互学習: IDジェネレータとベースの推薦モデルを交互に学習させることで、両者の知識を整合的に学習する。
実験の結果、提案手法は従来の推薦手法と比べて大幅な精度向上を示した。特に、19のデータセットから構築した大規模な推薦コーパスを用いて事前学習した推薦モデルは、まったく見たことのないデータセットに対しても優れた性能を発揮した。これは、提案手法が推薦システムの基盤モデルとして機能する可能性を示唆している。
統計
提案手法は従来の推薦手法と比べて、Sports, Beauty, Toys, Yelpデータセットにおいて、平均で39.44%, 23.55%, 42.37%, 36.76%の精度向上を達成した。
19のAmazonレビューデータセットを用いて事前学習した推薦モデルは、まったく見たことのないYelpデータセットに対して、353.46%の精度向上を示した。
引用
"LLMベースの推薦システムにおいて、アイテムを表す言語的IDを学習することで、推薦精度を大幅に向上させることができる。"
"提案手法が推薦システムの基盤モデルとして機能する可能性を示唆している。"