論文の概要: Optimizing Recommendations using Fine-Tuned LLMs

• arxiv url: http://arxiv.org/abs/2505.06841v1
• Date: Sun, 11 May 2025 04:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.067442
• Title: Optimizing Recommendations using Fine-Tuned LLMs
• Title（参考訳）: 微調整LDMによる勧告の最適化
• Authors: Prabhdeep Cheema, Erhan Guven,
• Abstract要約: 本稿では,実世界のユーザインタラクションをモデル化して合成データセットを生成する手法を提案する。 ユーザーは、気分、プロットの詳細、テーマ要素など、複雑な好みでより多くの情報を表現できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As digital media platforms strive to meet evolving user expectations, delivering highly personalized and intuitive movies and media recommendations has become essential for attracting and retaining audiences. Traditional systems often rely on keyword-based search and recommendation techniques, which limit users to specific keywords and a combination of keywords. This paper proposes an approach that generates synthetic datasets by modeling real-world user interactions, creating complex chat-style data reflective of diverse preferences. This allows users to express more information with complex preferences, such as mood, plot details, and thematic elements, in addition to conventional criteria like genre, title, and actor-based searches. In today's search space, users cannot write queries like ``Looking for a fantasy movie featuring dire wolves, ideally set in a harsh frozen world with themes of loyalty and survival.'' Building on these contributions, we evaluate synthetic datasets for diversity and effectiveness in training and benchmarking models, particularly in areas often absent from traditional datasets. This approach enhances personalization and accuracy by enabling expressive and natural user queries. It establishes a foundation for the next generation of conversational AI-driven search and recommendation systems in digital entertainment.
• Abstract（参考訳）: デジタルメディアプラットフォームがユーザの期待に応えようと努力するにつれ、高度にパーソナライズされ直感的な映画やメディアレコメンデーションの提供は、観客を引きつけ、維持するために欠かせないものとなっている。 従来のシステムはキーワードベースの検索とレコメンデーション技術に依存しており、ユーザーは特定のキーワードとキーワードの組み合わせに制限される。 本稿では、実世界のユーザインタラクションをモデル化し、多様な好みを反映した複雑なチャットスタイルのデータを生成することによって、合成データセットを生成するアプローチを提案する。 これにより、ユーザーは、ジャンル、タイトル、アクターベースの検索といった従来の基準に加えて、ムード、プロットの詳細、テーマ要素といった複雑な好みで、より多くの情報を表現できる。 今日の検索スペースでは、ユーザーは「オオカミをフィーチャーしたファンタジー映画を探す」といった質問を書くことができず、理想的には、忠誠心と生存のテーマを持った厳しい凍った世界に設定される。 このような貢献に基づいて、トレーニングやベンチマークモデルにおける多様性と有効性のための合成データセットを評価します。 このアプローチは、表現力と自然なユーザクエリを可能にすることにより、パーソナライズと精度を高める。 デジタルエンターテイメントにおいて、会話型AIによる検索とレコメンデーションシステムの次世代の基盤を確立する。

関連論文リスト

• FSPO: Few-Shot Preference Optimization of Synthetic Preference Data in LLMs Elicits Effective Personalization to Real Users [111.56469697145519]
  メタ学習問題として報酬モデルを再設計するFew-Shot Preference Optimizationを提案する。 このフレームワークでは、LDMはそのユーザからいくつかのラベル付けされた好みを通じてユーザへの迅速な適応を学び、パーソナライズされた報酬関数を構築する。 公開されているLLMを用いて100万以上の合成パーソナライズされた好みを生成する。 本研究は,映画レビュー,教育背景に基づく教育適応,一般質問応答の3分野を対象に,最大1,500人の総合ユーザを対象に,パーソナライズされたオープンエンド世代に対するFSPOの評価を行った。
  論文  参考訳（メタデータ） (2025-02-26T17:08:46Z)
• Personalized Multimodal Large Language Models: A Survey [127.9521218125761]
  マルチモーダル大言語モデル(MLLM)は、最先端の性能と複数のデータモダリティを統合する能力により、ますます重要になっている。 本稿では,パーソナライズされたマルチモーダルな大規模言語モデルに関する包括的調査を行い,そのアーキテクチャ,トレーニング方法,アプリケーションに焦点をあてる。
  論文  参考訳（メタデータ） (2024-12-03T03:59:03Z)
• WildFeedback: Aligning LLMs With In-situ User Interactions And Feedback [36.06000681394939]
  WildFeedbackは、大規模言語モデル(LLM)との会話中にユーザからのフィードバックをその場で活用して、好みのデータセットを自動的に作成する新しいフレームワークである。 実験の結果,WildFeedbackデータセットを微調整したLCMは,ユーザの好みに合わせて大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2024-08-28T05:53:46Z)
• Towards Realistic Synthetic User-Generated Content: A Scaffolding Approach to Generating Online Discussions [17.96479268328824]
  ユーザ生成コンテンツの現実的で大規模な合成データセット作成の実現可能性について検討する。 本稿では,議論スレッドのコンパクトな表現のアイデアに基づく多段階生成プロセスを提案する。
  論文  参考訳（メタデータ） (2024-08-15T18:43:50Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
  我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。 我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。 我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
  論文  参考訳（メタデータ） (2024-03-15T20:21:31Z)
• 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)
• Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation [62.019437228000776]
  本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。 人間の収集したデータセットで100万以上の多様な会話を生成します。
  論文  参考訳（メタデータ） (2023-01-27T01:54:16Z)
• Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors [34.56323846959459]
  インタラクティブなレコメンデータシステムは、ユーザがよりリッチな方法で意図、好み、制約、コンテキストを表現することを可能にする。 課題の1つは、ユーザのセマンティックな意図を、しばしば望ましい項目を記述するために使用されるオープンエンドの用語や属性から推測することである。 このような属性のセマンティクスを捉える表現を学習し、それをレコメンデーションシステムにおけるユーザの好みや行動に結びつけるためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-02-06T18:45:15Z)

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。