論文の概要: PersonaX: A Recommendation Agent Oriented User Modeling Framework for Long Behavior Sequence

• arxiv url: http://arxiv.org/abs/2503.02398v1
• Date: Tue, 04 Mar 2025 08:41:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:20:57.996053
• Title: PersonaX: A Recommendation Agent Oriented User Modeling Framework for Long Behavior Sequence
• Title（参考訳）: PersonaX:ロングビヘイビアシーケンスのための推奨エージェント指向ユーザモデリングフレームワーク
• Authors: Yunxiao Shi, Wujiang Xu, Zeqi Zhang, Xing Zi, Qiang Wu, Min Xu,
• Abstract要約: 本稿では,ユーザモデリングのためのエージェント非依存UMフレームワークとしてペルソナXを提案する。 PersonaXは、さまざまなユーザの興味を捉えるために、オフラインでコンパクトなSBSセグメントを抽出する。 高品質なプロトタイプユーザプロファイリングにおける PersonaX の有効性と汎用性を検証する。
• 参考スコア（独自算出の注目度）: 8.557534799079956
• License:
• Abstract: Recommendation agents leverage large language models for user modeling LLM UM to construct textual personas guiding alignment with real users. However existing LLM UM methods struggle with long user generated content UGC due to context limitations and performance degradation. To address this sampling strategies prioritize relevance or recency are often applied yet they inevitably neglect the diverse user interests embedded within the discarded behaviors resulting in incomplete modeling and degraded profiling quality. Furthermore relevance based sampling requires real time retrieval forcing the user modeling process to operate online which introduces significant latency overhead. In this paper we propose PersonaX an agent agnostic LLM UM framework that tackles these challenges through sub behavior sequence SBS selection and offline multi persona construction. PersonaX extracts compact SBS segments offline to capture diverse user interests generating fine grained textual personas that are cached for efficient online retrieval. This approach ensures that the user persona used for prompting remains highly relevant to the current context while eliminating the need for online user modeling. For SBS selection we ensure both efficiency length less than five and high representational quality by balancing prototypicality and diversity within the sampled data. Extensive experiments validate the effectiveness and versatility of PersonaX in high quality user profiling. Utilizing only 30 to 50 percent of the behavioral data with a sequence length of 480 integrating PersonaX with AgentCF yields an absolute performance improvement of 3 to 11 percent while integration with Agent4Rec results in a gain of 10 to 50 percent. PersonaX as an agent agnostic framework sets a new benchmark for scalable user modeling paving the way for more accurate and efficient LLM driven recommendation agents.
• Abstract（参考訳）: 推薦エージェントは、LLM UMのユーザモデリングに大規模な言語モデルを活用し、実際のユーザと協調するテキストペルソナを構築する。 しかし、既存のLLM UMメソッドは、コンテキスト制限と性能劣化のため、長いユーザ生成コンテンツUGCと競合する。 このサンプリング戦略に対処するために、関連性や傾向を優先する手法がしばしば適用されるが、捨てられた振る舞いに埋め込まれた多様なユーザ関心を必然的に無視し、不完全なモデリングと劣化したプロファイリングの品質をもたらす。 さらに、関連性に基づくサンプリングでは、リアルタイム検索が必要であり、ユーザモデリングプロセスがオンラインで動作し、遅延のオーバーヘッドが大幅に増加する。 本稿では,サブビヘイビアシーケンスSBS選択とオフラインマルチペルソナ構築により,これらの課題に対処するエージェント非依存のLLM UMフレームワークであるPersonaXを提案する。 PersonaXは、オフラインでコンパクトなSBSセグメントを抽出し、効率的なオンライン検索のためにキャッシュされた細粒度のテキストペルソナを生成する。 このアプローチは、オンラインユーザモデリングの必要性を排除しながら、プロンプトに使用されるユーザペルソナが、現在のコンテキストと強く関連していることを保証します。 SBS選択では, サンプルデータ中の原型性と多様性のバランスをとることにより, 5未満の効率長と高い表現品質を確保できる。 ハイクオリティなユーザプロファイリングにおける PersonaX の有効性と汎用性を検証する。 PersonaXとAgentCFを統合した480のシーケンス長を持つ行動データのうち、30%から50%しか利用していないため、Agent4Recとの統合によるパフォーマンスは3から11%向上し、Agent4Recは10から50%向上した。 エージェントに依存しないフレームワークである PersonaX は、スケーラブルなユーザモデリングのための新しいベンチマークを設定し、より正確で効率的な LLM 駆動レコメンデーションエージェントを実現する。

関連論文リスト

• Efficient and Responsible Adaptation of Large Language Models for Robust and Equitable Top-k Recommendations [12.814937243361054]
  我々は,すべてのユーザグループに公平にサービスを提供することで,社会的利益を促進するために設計されたハイブリッドタスク割り当てフレームワークを提案する。 実世界の3つのデータセットによる結果から,ユーザ数が大幅に減少し,不均等にコストを増大させることなく,サブポピュレーションに対するロバスト性が改善された。
  論文  参考訳（メタデータ） (2025-01-08T18:08:48Z)
• Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
  大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。 個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。 数発のステアライメントのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:14:59Z)
• LIBER: Lifelong User Behavior Modeling Based on Large Language Models [42.045535303737694]
  大規模言語モデルに基づく生涯ユーザ行動モデリング(LIBER)を提案する。 LIBERはHuaweiの音楽レコメンデーションサービスにデプロイされ、ユーザーの再生回数と再生時間の3.01%と7.69%を大幅に改善した。
  論文  参考訳（メタデータ） (2024-11-22T03:43:41Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• 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)
• Lifelong Personalized Low-Rank Adaptation of Large Language Models for Recommendation [50.837277466987345]
  我々は、推奨のために大規模言語モデル(LLM)の分野に焦点を当てる。 ユーザ毎に独立したLoRAを管理するPersonalized LoRAモジュールを組み込んだRecLoRAを提案する。 また、Few2Many Learning Strategyを設計し、従来のレコメンデーションモデルをレンズとして使用して、小さなトレーニングスペースをフルスペースに拡大する。
  論文  参考訳（メタデータ） (2024-08-07T04:20:28Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Efficient and Responsible Adaptation of Large Language Models for Robust Top-k Recommendations [11.004673022505566]
  何百万というユーザの長いクエリは、大規模言語モデルのパフォーマンスを低下させ、推奨することができる。 本稿では,大規模言語モデルと従来のレコメンデーションシステムの両方の機能を利用するハイブリッドタスク割り当てフレームワークを提案する。 実世界の3つのデータセットによる結果から,弱い利用者の減少と,サブ人口に対するRSのロバスト性の向上が示唆された。
  論文  参考訳（メタデータ） (2024-05-01T19:11:47Z)
• Integrating Summarization and Retrieval for Enhanced Personalization via Large Language Models [11.950478880423733]
  パーソナライゼーションは自然言語処理(NLP)システムにおけるユーザエクスペリエンスにおいて重要な要素である。 LLM(Large Language Models)の出現によって、重要な疑問は、これらのモデルを使ってユーザエクスペリエンスをよりパーソナライズする方法である。 LLMが生成するタスク対応ユーザ要約を用いた,新しい要約型パーソナライゼーションを提案する。
  論文  参考訳（メタデータ） (2023-10-30T23:40:41Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)

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。