Artificial Intelligence
カタログネイティブLLM：レコメンデーションのための、アイテムIDの方言を、より少ない絡み合いを用いて話す
Author
Venue
ICLR 2026
Abstract
協調フィルタリングは予測精度と効率性を提供し、大規模言語モデル（LLM）は表現力豊かで汎用性の高い推論を可能にするが、現代のレコメンデーションシステムはこれらの強みを融合させなければならない。自然言語によるクエリや透明性のある説明といった、高まるユーザーの期待は、統一されたアプローチの必要性をさらに浮き彫りにしている。しかし、これを実現することは容易ではない。 協調フィルタリングのシグナルは、多くの場合トークン効率に優れるものの意味的には不透明である一方、LLMは意味的に豊かではあるが、テキスト入力のみで学習させた場合、ユーザーの暗黙的な好みをモデル化することが困難である。本論文では、アイテムのインタラクション履歴を言語空間内の固有の方言として扱い、協調フィルタリングのシグナルを自然言語と同様に理解することを可能にする「Item-ID + Natural-language Mixture-of-Experts Language Model（IDIOMoE）」を提案する。 本手法では、事前学習済みLLMの各ブロックのフィードフォワードネットワークを、トークン型ゲーティングを備えた独立したテキストエキスパートとアイテムエキスパートに分割することで、テキストとカタログモダリティ間の破壊的な干渉を回避する。IDIOMoEは、事前学習済みモデルのテキスト理解能力を維持しつつ、公開データセットおよび独自データセットの両方で優れたレコメンデーション性能を発揮する。
