Buchumschlag

Following the TRAIL: Predicting and Explaining Tomorrow's Hits with a Fine-Tuned LLM

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Yinan, Chen, Zhixi, Jing, Jiazheng, Shen, Zhiqi
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Bites of Tomorrow: Personalized Recommendations for a Healthier and Greener Plate
von: Jing, Jiazheng, et al.
Veröffentlicht: (2025)

Does Multimodality Improve Recommender Systems as Expected? A Critical Analysis and Future Directions
von: Zhou, Hongyu, et al.
Veröffentlicht: (2025)

TRAIL: Joint Inference and Refinement of Knowledge Graphs with Large Language Models
von: Zhao, Xinkui, et al.
Veröffentlicht: (2025)

Predicting Movie Hits Before They Happen with LLMs
von: Agah, Shaghayegh, et al.
Veröffentlicht: (2025)

Fine-Tuned LLM as a Complementary Predictor Improving Ads System
von: Yang, Hui, et al.
Veröffentlicht: (2026)

Bridging the Gap: Self-Optimized Fine-Tuning for LLM-based Recommender Systems
von: Tang, Heng, et al.
Veröffentlicht: (2025)

Reinforcement Fine-Tuning for Reasoning towards Multi-Step Multi-Source Search in Large Language Models
von: Shi, Wentao, et al.
Veröffentlicht: (2025)

Are ID Embeddings Necessary? Whitening Pre-trained Text Embeddings for Effective Sequential Recommendation
von: Zhang, Lingzi, et al.
Veröffentlicht: (2024)

Data, Not Model: Explaining Bias toward LLM Texts in Neural Retrievers
von: Huang, Wei, et al.
Veröffentlicht: (2026)

Enhancing LLMs' Reasoning-Intensive Multimedia Search Capabilities through Fine-Tuning and Reinforcement Learning
von: Li, Jinzheng, et al.
Veröffentlicht: (2025)

MSL: Not All Tokens Are What You Need for Tuning LLM as a Recommender
von: Wang, Bohao, et al.
Veröffentlicht: (2025)

CM$^3$: Calibrating Multimodal Recommendation
von: Zhou, Xin, et al.
Veröffentlicht: (2025)

Learning Item Representations Directly from Multimodal Features for Effective Recommendation
von: Zhou, Xin, et al.
Veröffentlicht: (2025)

Multimodal Pre-training Framework for Sequential Recommendation via Contrastive Learning
von: Zhang, Lingzi, et al.
Veröffentlicht: (2023)

Explaining the "Why": A Unified Framework for the Additive Attribution of Changes in Arbitrary Measures
von: Zhou, Changsheng, et al.
Veröffentlicht: (2026)

Navigating Tomorrow: Reliably Assessing Large Language Models Performance on Future Event Prediction
von: Nako, Petraq, et al.
Veröffentlicht: (2025)

CLIP-Branches: Interactive Fine-Tuning for Text-Image Retrieval
von: Lülf, Christian, et al.
Veröffentlicht: (2024)

FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios
von: Fu, Kang, et al.
Veröffentlicht: (2026)

Beyond Content Relevance: Evaluating Instruction Following in Retrieval Models
von: Zhou, Jianqun, et al.
Veröffentlicht: (2024)

Personalized Parameter-Efficient Fine-Tuning of Foundation Models for Multimodal Recommendation
von: Kim, Sunwoo, et al.
Veröffentlicht: (2026)

Towards An Efficient LLM Training Paradigm for CTR Prediction
von: Lin, Allen, et al.
Veröffentlicht: (2025)

UFO: Unfair-to-Fair Evolving Mitigates Unfairness in LLM-based Recommender Systems via Self-Play Fine-tuning
von: Zhang, Jiaming, et al.
Veröffentlicht: (2025)

TagLLM: A Fine-Grained Tag Generation Approach for Note Recommendation
von: Chen, Zhijian, et al.
Veröffentlicht: (2026)

Multi-modal Food Recommendation using Clustering and Self-supervised Learning
von: Zhang, Yixin, et al.
Veröffentlicht: (2024)

Data-efficient Fine-tuning for LLM-based Recommendation
von: Lin, Xinyu, et al.
Veröffentlicht: (2024)

HySim-LLM: Embedding-Weighted Fine-Tuning Bounds and Manifold Denoising for Domain-Adapted LLMs
von: Jaberi-Douraki, Majid, et al.
Veröffentlicht: (2025)

Confidence-aware Fine-tuning of Sequential Recommendation Systems via Conformal Prediction
von: Wang, Chen, et al.
Veröffentlicht: (2024)

CSMF: Cascaded Selective Mask Fine-Tuning for Multi-Objective Embedding-Based Retrieval
von: Deng, Hao, et al.
Veröffentlicht: (2025)

Process-Supervised LLM Recommenders via Flow-guided Tuning
von: Gao, Chongming, et al.
Veröffentlicht: (2025)

Establishing Performance Baselines in Fine-Tuning, Retrieval-Augmented Generation and Soft-Prompting for Non-Specialist LLM Users
von: Dodgson, Jennifer, et al.
Veröffentlicht: (2023)

Comment Staytime Prediction with LLM-enhanced Comment Understanding
von: Zhang, Changshuo, et al.
Veröffentlicht: (2025)

Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph
von: Zhang, Xiaoxiong, et al.
Veröffentlicht: (2024)

Balancing Fine-tuning and RAG: A Hybrid Strategy for Dynamic LLM Recommendation Updates
von: Meng, Changping, et al.
Veröffentlicht: (2025)

Explainable CTR Prediction via LLM Reasoning
von: Yu, Xiaohan, et al.
Veröffentlicht: (2024)

Supervised Fine-Tuning or Contrastive Learning? Towards Better Multimodal LLM Reranking
von: Dai, Ziqi, et al.
Veröffentlicht: (2025)

FilterLLM: Text-To-Distribution LLM for Billion-Scale Cold-Start Recommendation
von: Liu, Ruochen, et al.
Veröffentlicht: (2025)

Fine-Tuning Topics through Weighting Aspect Keywords
von: Nazari, Ali, et al.
Veröffentlicht: (2025)

RoarGraph: A Projected Bipartite Graph for Efficient Cross-Modal Approximate Nearest Neighbor Search
von: Chen, Meng, et al.
Veröffentlicht: (2024)

EVOLVE: Predicting User Evolution and Network Dynamics in Social Media Using Fine-Tuned GPT-like Model
von: Hossain, Ismail, et al.
Veröffentlicht: (2024)

Xetrieval: Mechanistically Explaining Dense Retrieval
von: Cai, Zhixin, et al.
Veröffentlicht: (2026)