本論文では、AdaRecと呼ばれる少数ショットのインコンテキスト学習フレームワークを提案します。このフレームワークは、大規模言語モデルを活用し、適応的なパーソナライズ推薦を実現します。AdaRecは、ユーザーとアイテムの相互作用を自然言語表現に変換する「物語プロファイリング」を導入し、タスク処理の統一性を高め、人間にとっての可読性を向上させます。二変数推論パラダイムに基づき、AdaRecは横の行動調整と縦の因果帰属を統合したデュアルチャネルアーキテクチャを採用します。これにより、既存のLLMベースのアプローチの手動特徴エンジニアリングを排除し、最小限の監督での迅速なタスク適応をサポートします。実データに基づく実験では、AdaRecが機械学習モデルやLLMベースのベースラインを最大8%上回り、ゼロショットシナリオでは専門家が作成したプロファイリングに対して最大19%の改善を示しました。さらに、AdaRecによる軽量なファインチューニングは、様々なタスクにわたる効率と一般化能力を明らかにしています。