論文の概要: When Large Language Models Meet Personalization: Perspectives of
Challenges and Opportunities
- arxiv url: http://arxiv.org/abs/2307.16376v1
- Date: Mon, 31 Jul 2023 02:48:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 15:58:29.454696
- Title: When Large Language Models Meet Personalization: Perspectives of
Challenges and Opportunities
- Title(参考訳): 大きな言語モデルがパーソナライゼーションを満たすとき:課題と機会の視点
- Authors: Jin Chen, Zheng Liu, Xu Huang, Chenwang Wu, Qi Liu, Gangwei Jiang,
Yuanhao Pu, Yuxuan Lei, Xiaolong Chen, Xingmei Wang, Defu Lian and Enhong
Chen
- Abstract要約: 大規模言語モデルの能力は劇的に改善されている。
このような大きな飛躍的なAI能力は、パーソナライゼーションの実施方法のパターンを変えるだろう。
大規模言語モデルを汎用インターフェースとして活用することにより、パーソナライズシステムはユーザ要求を計画にコンパイルすることができる。
- 参考スコア(独自算出の注目度): 60.5609416496429
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of large language models marks a revolutionary breakthrough in
artificial intelligence. With the unprecedented scale of training and model
parameters, the capability of large language models has been dramatically
improved, leading to human-like performances in understanding, language
synthesizing, and common-sense reasoning, etc. Such a major leap-forward in
general AI capacity will change the pattern of how personalization is
conducted. For one thing, it will reform the way of interaction between humans
and personalization systems. Instead of being a passive medium of information
filtering, large language models present the foundation for active user
engagement. On top of such a new foundation, user requests can be proactively
explored, and user's required information can be delivered in a natural and
explainable way. For another thing, it will also considerably expand the scope
of personalization, making it grow from the sole function of collecting
personalized information to the compound function of providing personalized
services. By leveraging large language models as general-purpose interface, the
personalization systems may compile user requests into plans, calls the
functions of external tools to execute the plans, and integrate the tools'
outputs to complete the end-to-end personalization tasks. Today, large language
models are still being developed, whereas the application in personalization is
largely unexplored. Therefore, we consider it to be the right time to review
the challenges in personalization and the opportunities to address them with
LLMs. In particular, we dedicate this perspective paper to the discussion of
the following aspects: the development and challenges for the existing
personalization system, the newly emerged capabilities of large language
models, and the potential ways of making use of large language models for
personalization.
- Abstract(参考訳): 大きな言語モデルの出現は、人工知能の画期的なブレークスルーだ。
前例のない規模のトレーニングとモデルパラメータにより、大きな言語モデルの能力が劇的に改善され、理解における人間のようなパフォーマンス、言語合成、常識推論などがもたらされた。
このような大きな飛躍的なAI能力は、パーソナライゼーションの実施方法のパターンを変えるだろう。
ひとつは、人間とパーソナライズシステムとのインタラクションの方法を変えることだ。
情報フィルタリングの受動的媒体である代わりに、大きな言語モデルはアクティブなユーザエンゲージメントの基礎を提供する。
このような新たな基盤の上に、ユーザ要求を積極的に探索し、ユーザに必要な情報を自然な説明可能な方法で配信することができる。
また、パーソナライゼーションの範囲を大きく広げ、パーソナライズされた情報を収集する唯一の機能から、パーソナライズされたサービスを提供する複合機能へと拡大する。
大きな言語モデルを汎用インターフェースとして活用することにより、パーソナライズシステムは、ユーザ要求を計画にコンパイルし、外部ツールの機能を呼び出して計画を実行し、ツールの出力を統合してエンドツーエンドのパーソナライズタスクを完了させることができる。
現在、大規模な言語モデルが開発されているが、パーソナライゼーションの応用はほとんど未検討である。
したがって、パーソナライズにおける課題とLLMで対処する機会をレビューするには、適切なタイミングだと考えている。
特に,既存のパーソナライズシステムの開発と課題,新たに出現した大規模言語モデルの能力,大規模言語モデルをパーソナライズに活用する潜在的な方法,といった側面について論じる。
関連論文リスト
- Personalized Language Modeling from Personalized Human Feedback [55.458647587228185]
個人化された人間のフィードバックから学習するタスクを紹介し、この文脈でバニラRLHFが問題となる理由を説明する。
本稿では,ユーザモデルと言語(あるいは報酬)モデルを共同で学習する必要がある一般パーソナライズ-RLHFフレームワークを提案する。
提案手法の有効性を実証するために,注釈付き好みと注釈付き情報を用いた実世界のテキスト要約データを用いて検証を行った。
論文 参考訳(メタデータ) (2024-02-06T04:18:58Z) - Prompt-to-OS (P2OS): Revolutionizing Operating Systems and
Human-Computer Interaction with Integrated AI Generative Models [10.892991111926573]
本稿では,従来のオペレーティングシステムの概念に革命をもたらす,人間とコンピュータのインタラクションのためのパラダイムを提案する。
この革新的なフレームワークでは、マシンに発行されるユーザリクエストは、生成AIモデルの相互接続エコシステムによって処理される。
このビジョンの概念は、プライバシ、セキュリティ、信頼性、生成モデルの倫理的利用など、重要な課題を提起する。
論文 参考訳(メタデータ) (2023-10-07T17:16:34Z) - Diffusion Language Models Can Perform Many Tasks with Scaling and
Instruction-Finetuning [56.03057119008865]
拡散言語モデルを拡張することで、強力な言語学習者が効果的に学習できることが示される。
大規模データから知識を最初に取得することで,大規模に有能な拡散言語モデルを構築する。
実験により、拡散言語モデルのスケーリングは、下流言語タスクにおけるパフォーマンスを一貫して改善することが示された。
論文 参考訳(メタデータ) (2023-08-23T16:01:12Z) - A Sentence is Worth a Thousand Pictures: Can Large Language Models
Understand Human Language? [0.0]
我々は,大規模言語モデルの寄与を,対象システムの理論的に有意な表現として分析する。
これらのモデルの開発と活用の現在の状態からまだ欠けている重要な能力を特定します。
論文 参考訳(メタデータ) (2023-07-26T18:58:53Z) - Exploring Large Language Model for Graph Data Understanding in Online
Job Recommendations [63.19448893196642]
本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。
この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
論文 参考訳(メタデータ) (2023-07-10T11:29:41Z) - A Survey of Large Language Models [81.06947636926638]
言語モデリングは、過去20年間、言語理解と生成のために広く研究されてきた。
近年,大規模コーパス上でのトランスフォーマーモデルの事前学習により,事前学習言語モデル (PLM) が提案されている。
パラメータスケールの違いを識別するために、研究コミュニティは大規模言語モデル (LLM) という用語を提唱した。
論文 参考訳(メタデータ) (2023-03-31T17:28:46Z) - Estimating the Personality of White-Box Language Models [0.589889361990138]
大規模なテキストコーパスで訓練された大規模言語モデルは、至る所で広範囲のアプリケーションで使用されている。
既存の研究は、これらのモデルが人間の偏見を捉え、捉えていることを示している。
これらのバイアス、特に害を引き起こす可能性のあるバイアスの多くは、十分に調査されている。
しかし、これらのモデルによって受け継がれた人間の性格特性を推測し、変化させる研究は、ほとんど、あるいは存在しない。
論文 参考訳(メタデータ) (2022-04-25T23:53:53Z) - Towards Zero-shot Language Modeling [90.80124496312274]
人間の言語学習に誘導的に偏りを持つニューラルモデルを構築した。
類型的に多様な訓練言語のサンプルからこの分布を推測する。
我々は、保留言語に対する遠隔監視として、追加の言語固有の側情報を利用する。
論文 参考訳(メタデータ) (2021-08-06T23:49:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。