LLM-EDT: Addestramento a Doppia Fase per Raccomandazioni Cross-Dominio
Un nuovo metodo chiamato LLM-EDT (Large Language Model Enhanced Cross-domain Sequential Recommendation with Dual-phase Training) affronta due sfide chiave nella Raccomandazione Sequenziale Cross-Dominio (CDSR): il problema dello squilibrio, in cui le interazioni di un dominio dominano, e il problema della transizione, che ostacola la cattura delle preferenze cross-dominio. Gli attuali metodi CDSR potenziati da LLM non riescono a riconoscere il rumore irrilevante e soffrono di profilazione approssimativa. LLM-EDT utilizza grandi modelli linguistici come generatori e codificatori per alleviare parzialmente questi problemi. L'articolo è pubblicato su arXiv con ID 2511.19931.
Fatti principali
- LLM-EDT sta per Large Language Model Enhanced Cross-domain Sequential Recommendation with Dual-phase Training.
- Il metodo affronta i problemi di squilibrio e transizione nella CDSR.
- Problema di squilibrio: le interazioni di un dominio dominano il comportamento dell'utente.
- Problema di transizione: difficoltà nel catturare le preferenze cross-dominio in sequenze miste.
- I LLM sono utilizzati come generatori e codificatori per alleviare questi problemi.
- Gli attuali metodi CDSR potenziati da LLM non riescono a riconoscere il rumore irrilevante.
- I metodi attuali soffrono anche di problemi di profilazione approssimativa.
- L'articolo è disponibile su arXiv con ID 2511.19931.
Entità
Istituzioni
- arXiv