Fugu-MT 論文翻訳(概要): LLM-Alignment Live-Streaming Recommendation

論文の概要: LLM-Alignment Live-Streaming Recommendation

arxiv url: http://arxiv.org/abs/2504.05217v1
Date: Mon, 07 Apr 2025 16:04:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-08 14:08:43.450675
Title: LLM-Alignment Live-Streaming Recommendation
Title（参考訳）: LLMアライメントライブストリーミングレコメンデーション
Authors: Yueyang Liu, Jiangxia Cao, Shen Wang, Shuang Wen, Xiang Chen, Xiangyu Wu, Shuang Yang, Zhaojie Liu, Kun Gai, Guorui Zhou,
Abstract要約: 統合されたショートビデオとライブストリーミングプラットフォームは、ダイナミックなコンテンツ作成と消費を提供し、世界中で広く採用されている。同じライブストリーミングも、ユーザーの視聴時間によって大きく異なる。レコメンデーションを最適化するには、RecSysはライブコンテンツのリアルタイムセマンティクスを正確に解釈し、ユーザの好みに合わせる必要がある。
参考スコア（独自算出の注目度）: 20.817796284487468
License:
Abstract: In recent years, integrated short-video and live-streaming platforms have gained massive global adoption, offering dynamic content creation and consumption. Unlike pre-recorded short videos, live-streaming enables real-time interaction between authors and users, fostering deeper engagement. However, this dynamic nature introduces a critical challenge for recommendation systems (RecSys): the same live-streaming vastly different experiences depending on when a user watching. To optimize recommendations, a RecSys must accurately interpret the real-time semantics of live content and align them with user preferences.
Abstract（参考訳）: 近年、ショートビデオとライブストリーミングのプラットフォームがグローバルに普及し、ダイナミックなコンテンツ作成と消費を提供している。録画された短いビデオとは異なり、ライブストリーミングは著者とユーザー間のリアルタイムな対話を可能にし、より深いエンゲージメントを促進する。しかし、このダイナミックな性質はレコメンデーションシステム(RecSys)にとって重要な課題をもたらします。レコメンデーションを最適化するには、RecSysはライブコンテンツのリアルタイムセマンティクスを正確に解釈し、ユーザの好みに合わせる必要がある。

関連論文リスト

LiveForesighter: Generating Future Information for Live-Streaming Recommendations at Kuaishou [20.689363722025163]
ライブストリーミングは、ユーザーと著者を繋ぐ次世代メディアである。ライブストリーミングコンテンツは、時間とともに動的に変化している。コンテンツユーザーが現在興味を持っているライブストリーミングを見つけるにはどうすればいいのか?
論文参考訳（メタデータ） (2025-02-10T15:24:55Z)
Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文参考訳（メタデータ） (2025-02-05T17:14:45Z)
Enhancing User Intent for Recommendation Systems via Large Language Models [0.0]
DUIPはLSTMネットワークとLLM(Large Language Models)を組み合わせた新しいフレームワークで、ユーザの意図を動的に把握し、パーソナライズされたアイテムレコメンデーションを生成する。この結果から,DUIPは次世代レコメンデーションシステムにとって有望なアプローチであり,クロスモーダルレコメンデーションとスケーラビリティのさらなる向上の可能性が示唆された。
論文参考訳（メタデータ） (2025-01-18T20:35:03Z)
Real-Time Personalization for LLM-based Recommendation with Customized In-Context Learning [57.28766250993726]
この研究は、モデル更新なしに動的なユーザ関心に適応することを検討する。既存のLarge Language Model (LLM)ベースのレコメンダは、レコメンデーションチューニング中にコンテキスト内学習能力を失うことが多い。本稿では,レコメンデーション固有のインコンテキスト学習をリアルタイムレコメンデーションにカスタマイズするRecICLを提案する。
論文参考訳（メタデータ） (2024-10-30T15:48:36Z)
MMBee: Live Streaming Gift-Sending Recommendations via Multi-Modal Fusion and Behaviour Expansion [18.499672566131355]
ギフトインタラクションの正確なモデリングは、ユーザのエクスペリエンスを向上するだけでなく、ストリーマーの収益も増大させる。従来のレコメンデーション問題として,ライブストリーミングギフト予測に関する先行研究がある。実時間マルチモーダル・フュージョンとビヘイビア・エクスパンジョンに基づくMMBeeを提案する。
論文参考訳（メタデータ） (2024-06-15T04:59:00Z)
A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。特に、コメント視聴時間の4.13%が大幅に向上した。
論文参考訳（メタデータ） (2024-03-20T13:14:29Z)
Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文参考訳（メタデータ） (2022-11-17T19:00:24Z)
Generating Long Videos of Dynamic Scenes [66.56925105992472]
本稿では、物体の動きを再現する映像生成モデル、カメラ視点の変化、時間とともに現れる新しいコンテンツについて述べる。よくある障害ケースは、コンテンツが時間的一貫性を提供する誘導バイアスに過度に依存するため、決して変化しないことです。
論文参考訳（メタデータ） (2022-06-07T16:29:51Z)
Constrained Reinforcement Learning for Short Video Recommendation [18.492477839791274]
ソーシャルメディアプラットフォーム上のショートビデオは、レコメンデーターシステムの最適化に新たな課題をもたらす。アクター・クリティカルな枠組みに基づく2段階強化学習手法を提案する。当社のアプローチは,ユーザエクスペリエンスを最適化するために,運用システムで完全にローンチされています。
論文参考訳（メタデータ） (2022-05-26T09:36:20Z)
A Dynamic Meta-Learning Model for Time-Sensitive Cold-Start Recommendations [24.815498451832347]
本稿では,過去にインタラクションがあったが,最近は比較的非アクティブなユーザに焦点を当てた,新しい動的レコメンデーションモデルを提案する。近年のインタラクションが不足しているため、これらのユーザの現在の好みを正確に把握することは困難である。
論文参考訳（メタデータ） (2022-04-03T02:04:12Z)
Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。