論文の概要: Panoramic Interests: Stylistic-Content Aware Personalized Headline Generation

• arxiv url: http://arxiv.org/abs/2501.11900v1
• Date: Tue, 21 Jan 2025 05:30:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:25:43.970478
• Title: Panoramic Interests: Stylistic-Content Aware Personalized Headline Generation
• Title（参考訳）: パノラマ的関心:ストリスティック・コンテント・アウェアによる個人化見出し生成
• Authors: Junhong Lian, Xiang Ao, Xinyu Liu, Yang Liu, Qing He,
• Abstract要約: 本稿では,Sticistic-Content Aware Personalized Headline Generation (SCAPE) フレームワークを提案する。 SCAPEは、大きな言語モデル(LLM)コラボレーションの助けを借りて、見出しからコンテンツとスタイルの両方の特徴を抽出する。 それは、対照的な学習に基づく階層的融合ネットワークを通じて、ユーザの長期的および短期的な関心を適応的に統合する。
• 参考スコア（独自算出の注目度）: 37.86741955785968
• License:
• Abstract: Personalized news headline generation aims to provide users with attention-grabbing headlines that are tailored to their preferences. Prevailing methods focus on user-oriented content preferences, but most of them overlook the fact that diverse stylistic preferences are integral to users' panoramic interests, leading to suboptimal personalization. In view of this, we propose a novel Stylistic-Content Aware Personalized Headline Generation (SCAPE) framework. SCAPE extracts both content and stylistic features from headlines with the aid of large language model (LLM) collaboration. It further adaptively integrates users' long- and short-term interests through a contrastive learning-based hierarchical fusion network. By incorporating the panoramic interests into the headline generator, SCAPE reflects users' stylistic-content preferences during the generation process. Extensive experiments on the real-world dataset PENS demonstrate the superiority of SCAPE over baselines.
• Abstract（参考訳）: パーソナライズされたニュースの見出し生成は、ユーザーが好みに合わせて注意を引く見出しを提供することを目的としている。 一般的な方法は、ユーザ指向のコンテンツ嗜好に焦点をあてるが、そのほとんどは、多様なスタイル的嗜好がユーザのパノラマ的関心に不可欠であるという事実を軽視し、最適以下のパーソナライゼーションへと繋がる。 そこで本研究では,Sticistic-Content Aware Personalized Headline Generation (SCAPE) フレームワークを提案する。 SCAPEは、大きな言語モデル(LLM)コラボレーションの助けを借りて、見出しからコンテンツとスタイルの両方の特徴を抽出する。 さらに、対照的な学習に基づく階層的融合ネットワークを通じて、ユーザの長期的および短期的な関心を適応的に統合する。 パノラマ的な関心を見出しジェネレータに組み込むことで、SCAPEは生成プロセス中にユーザのスタイルや内容の好みを反映する。 実世界のデータセットであるPENSの大規模な実験は、ベースラインよりもSCAPEの方が優れていることを示した。

関連論文リスト

• PersonalLLM: Tailoring LLMs to Individual Preferences [11.717169516971856]
  我々は、特定のユーザに対して最大限のメリットを提供するためにLLMを適用することに焦点を当てた、PersonalLLMという公開ベンチマークを提示する。 我々は、ユーザーが不均一な潜伏傾向を示すことを期待する高品質な回答と組み合わせたオープンエンドプロンプトをキュレートする。 私たちのデータセットと生成された個人性は、パーソナライズアルゴリズムを開発するための革新的なテストベッドを提供します。
  論文  参考訳（メタデータ） (2024-09-30T13:55:42Z)
• Beyond Mask: Rethinking Guidance Types in Few-shot Segmentation [67.35274834837064]
  我々は、テキスト、マスク、ボックス、画像からのプロンプトを統合するユニバーサルビジョン言語フレームワーク(UniFSS)を開発した。 UniFSSは最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-07-16T08:41:01Z)
• MetaDesigner: Advancing Artistic Typography through AI-Driven, User-Centric, and Multilingual WordArt Synthesis [65.78359025027457]
  MetaDesignerは、Large Language Models(LLM)の強みを活用して、ユーザエンゲージメントを中心としたデザインパラダイムを推進することによって、芸術的なタイポグラフィに革命をもたらす。 総合的なフィードバックメカニズムは、マルチモーダルモデルとユーザ評価からの洞察を活用して、設計プロセスを反復的に洗練し、拡張する。 実証的な検証は、MetaDesignerが様々なWordArtアプリケーションに効果的に機能し、審美的に魅力的でコンテキストに敏感な結果を生み出す能力を強調している。
  論文  参考訳（メタデータ） (2024-06-28T11:58:26Z)
• LLMs for User Interest Exploration in Large-scale Recommendation Systems [16.954465544444766]
  従来のレコメンデーションシステムは、過去のユーザとイテムのインタラクションから学び、強化することで、強いフィードバックループを受ける。 本稿では,Large Language Models(LLM)と古典的レコメンデーションモデルを組み合わせたハイブリッド階層型フレームワークを提案する。 数十億のユーザを対象とする産業規模の商用プラットフォーム上で,このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-25T21:57:36Z)
• EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations [38.44534579040017]
  ユーザと候補項目のオフライン事前計算を可能にするフレームワークであるEmbSumを紹介する。 このモデルがユーザ興味の要約を生成する能力は貴重な副産物であり、パーソナライズされたコンテンツレコメンデーションに有用である。
  論文  参考訳（メタデータ） (2024-05-19T04:31:54Z)
• InteraRec: Screenshot Based Recommendations Using Multimodal Large Language Models [0.6926105253992517]
  InteraRecと呼ばれる洗練されたインタラクティブなレコメンデーションフレームワークを紹介します。 InteraRecは、ユーザがWebサイトをナビゲートするときに、Webページの高周波スクリーンショットをキャプチャする。 ユーザに対して価値あるパーソナライズされたオファリングを提供する上で、InteraRecの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-26T17:47:57Z)
• SPAR: Personalized Content-Based Recommendation via Long Engagement Attention [43.04717491985609]
  パーソナライズされたコンテンツのレコメンデーションには、ユーザの長いエンゲージメント履歴を活用することが不可欠だ。 本稿では,コンテンツベースのレコメンデーションフレームワークであるSPARを導入する。 我々のフレームワークは、既存の最先端(SoTA)メソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-02-16T10:36:38Z)
• Unsupervised Neural Stylistic Text Generation using Transfer learning and Adapters [66.17039929803933]
  応答生成のためのスタイル特化属性を学習するために,モデルパラメータの0.3%しか更新しない新しい転送学習フレームワークを提案する。 我々はPERSONALITY-CAPTIONSデータセットからスタイル固有の属性を学習する。
  論文  参考訳（メタデータ） (2022-10-07T00:09:22Z)
• iFacetSum: Coreference-based Interactive Faceted Summarization for Multi-Document Exploration [63.272359227081836]
  iFacetSumは、インタラクティブな要約と顔検索を統合している。 微粒なファセットは、クロスドキュメントのコア参照パイプラインに基づいて自動的に生成される。
  論文  参考訳（メタデータ） (2021-09-23T20:01:11Z)
• Learning the Compositional Visual Coherence for Complementary Recommendations [62.60648815930101]
  補完的なレコメンデーションは、ユーザーが獲得したアイテムと補完的で互換性のある製品提案を提供することを目的としている。 本研究では,グローバルコンテンツとセマンティックコンテンツの両方に包括的コンポジションコヒーレンスをモデル化する新しいコンテント注意ニューラルネットワーク(CANN)を提案する。
  論文  参考訳（メタデータ） (2020-06-08T06:57:18Z)

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。