LLM-SCRec: LLM-Powered Style-Context Insights for Fashion Recommendation
Notice bibliographique
Résumé
Fashion recommendation is increasingly shaped by platform-native narratives such as titles, captions, tags, and reviews, where users implicitly reveal their style preferences and the contexts in which items are chosen. However, existing systems often simplify such text into predefined labels or treat it as auxiliary metadata, which leads to semantic loss and limits the ability to model fine-grained, context-dependent preferences. This gap prevents recommendation models from fully exploiting the expressive power of natural language to capture style intent. To address these challenges, we propose LLM-SCRec, an interaction-centric framework that directly leverages large language models to extract <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">style–context insights</i> from raw user–item interaction text. Specifically, (1) a frozen LLM reads platform-native descriptions and generates high-dimensional interaction-level insights; (2) a lightweight encoder projects these insights into a compact embedding space and aligns them with collaborative signals through contrastive objectives; and (3) aggregated user/item representations are seamlessly integrated with existing ID-based recommenders through simple concatenation. Extensive experiments across multiple benchmarks show that this framework consistently improves performance on standard Top-<italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">K</i> metrics relative to strong baselines. Beyond accuracy, its plug-and-play nature makes the method practical: because it does not alter the backbone recommenders and requires only offline LLM processing, it offers an efficient and easily deployable solution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».