論文の概要: User Profile with Large Language Models: Construction, Updating, and Benchmarking

• arxiv url: http://arxiv.org/abs/2502.10660v2
• Date: Sun, 16 Mar 2025 18:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:57:33.488347
• Title: User Profile with Large Language Models: Construction, Updating, and Benchmarking
• Title（参考訳）: 大規模言語モデルを持つユーザプロファイル:構築、更新、ベンチマーク
• Authors: Nusrat Jahan Prottasha, Md Kowsher, Hafijur Raman, Israt Jahan Anny, Prakash Bhat, Ivan Garibay, Ozlem Garibay,
• Abstract要約: 高品質なオープンソースユーザプロファイルデータセットを2つ提示する。 これらのデータセットは、ユーザープロファイルモデリング技術を評価するための強力な基盤を提供する。 プロファイル構築と更新の両方に対処するために,大規模言語モデルを用いた方法論を示す。
• 参考スコア（独自算出の注目度）: 0.3350491650545292
• License:
• Abstract: User profile modeling plays a key role in personalized systems, as it requires building accurate profiles and updating them with new information. In this paper, we present two high-quality open-source user profile datasets: one for profile construction and another for profile updating. These datasets offer a strong basis for evaluating user profile modeling techniques in dynamic settings. We also show a methodology that uses large language models (LLMs) to tackle both profile construction and updating. Our method uses a probabilistic framework to predict user profiles from input text, allowing for precise and context-aware profile generation. Our experiments demonstrate that models like Mistral-7b and Llama2-7b perform strongly in both tasks. LLMs improve the precision and recall of the generated profiles, and high evaluation scores confirm the effectiveness of our approach.
• Abstract（参考訳）: ユーザープロファイルモデリングはパーソナライズされたシステムにおいて重要な役割を果たす。 本稿では,プロファイル構築用とプロファイル更新用という,高品質なオープンソースユーザプロファイルデータセットを2つ提示する。 これらのデータセットは、動的な設定でユーザープロファイルモデリング技術を評価するための強力な基盤を提供する。 また,大規模言語モデル(LLM)を用いてプロファイル構築と更新の両方に対処する手法についても述べる。 提案手法は,入力テキストからユーザプロファイルを予測するための確率的フレームワークを用いて,正確なコンテキスト認識プロファイル生成を可能にする。 我々の実験では、Mistral-7bやLlama2-7bのようなモデルが両方のタスクで強く機能することを示した。 LLMは、生成したプロファイルの精度とリコールを改善し、高い評価スコアは、我々のアプローチの有効性を確認する。

関連論文リスト

• Automated Personnel Selection for Software Engineers Using LLM-Based Profile Evaluation [1.0718353079920009]
  本研究は,NLP(Advanced Natural Language Processing)技術に基づく自動スタッフ選択手法を用いて,ソフトウェアエンジニアのプロファイルを評価する。 教育、経験、スキル、自己紹介といった重要な属性を持つLinkedInプロファイルを収集して、新たなデータセットが生成される。 85%の精度と0.85のF1スコアで、RoBERTaは最高の成績を収めた。
  論文  参考訳（メタデータ） (2024-10-30T18:12:19Z)
• Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
  大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。 本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
  論文  参考訳（メタデータ） (2024-10-22T06:43:28Z)
• Prompt Tuning as User Inherent Profile Inference Machine [53.78398656789463]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 プロファイル量子化コードブックは、プロファイル埋め込みによるモダリティギャップを協調IDにブリッジする。 4つの公開データセットの実験では、UserIP-Tuningは最先端のレコメンデーションアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Understanding the Role of User Profile in the Personalization of Large Language Models [19.74964898049076]
  本研究はまず,ユーザプロファイルの有効性が主に意味情報よりもパーソナライズ情報によるものであることを確認した。 ユーザプロファイル内では、LLMをパーソナライズする上で重要な役割を果たすユーザによって作成された、あるいは承認された歴史的なパーソナライズされた応答である。 本研究は,LLMのパーソナライズにおけるユーザプロファイルの役割を明らかにし,ユーザプロファイルの導入がパフォーマンスに与える影響を明らかにした。
  論文  参考訳（メタデータ） (2024-06-22T14:32:35Z)
• Step-Back Profiling: Distilling User History for Personalized Scientific Writing [50.481041470669766]
  大きな言語モデル(LLM)は、さまざまな自然言語処理タスクに優れていますが、個人向けにパーソナライズされたコンテンツを生成するのに苦労しています。 ユーザ履歴を簡潔なプロファイルに抽出することで,LSMをパーソナライズするためのSTEP-BACK ProFIlingを導入する。 本手法は,一般パーソナライゼーションベンチマークにおいて,ベースラインを最大3.6ポイント向上させる。
  論文  参考訳（メタデータ） (2024-06-20T12:58:26Z)
• PRODIGy: a PROfile-based DIalogue Generation dataset [12.566555088877871]
  コミュニケーションスタイル, 伝記, パーソナリティなど, 各対話が可能なすべての話者表現と整合する新たなリソースを提案する。 このフレームワークは、複数のプロファイル構成を持つ生成言語モデルを使用して構築されたいくつかのベースラインをテストすることができる。
  論文  参考訳（メタデータ） (2023-11-09T08:19:34Z)
• Visual Prompt Based Personalized Federated Learning [83.04104655903846]
  pFedPTと呼ばれる画像分類タスクのための新しいPFLフレームワークを提案し、クライアントのローカルデータ配信情報を暗黙的に表現するためにパーソナライズされた視覚的プロンプトを利用する。 CIFAR10とCIFAR100データセットの実験では、pFedPTは様々な設定でいくつかの最先端(SOTA)PFLアルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2023-03-15T15:02:15Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)
• When Can Models Learn From Explanations? A Formal Framework for Understanding the Roles of Explanation Data [84.87772675171412]
  個々のデータポイントの説明がモデリング性能を向上させる状況について検討する。 e-SNLI、TACRED、SemEvalの3つの既存のデータセットを使って説明します。
  論文  参考訳（メタデータ） (2021-02-03T18:57:08Z)
• Reinforced Imitative Graph Representation Learning for Mobile User Profiling: An Adversarial Training Perspective [21.829562421373712]
  ヒトモビリティモデリングパイプラインにおけるユーザの特性を定量化するための重要なコンポーネントであるモバイルユーザプロファイリングの問題について検討する。 強化学習を活用した模倣型モバイルユーザプロファイリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-07T17:10:00Z)

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。