論文の概要: PERSCEN: Learning Personalized Interaction Pattern and Scenario Preference for Multi-Scenario Matching

• arxiv url: http://arxiv.org/abs/2506.18382v1
• Date: Mon, 23 Jun 2025 08:15:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.902159
• Title: PERSCEN: Learning Personalized Interaction Pattern and Scenario Preference for Multi-Scenario Matching
• Title（参考訳）: PERSCEN:マルチシナリオマッチングのためのパーソナライズされたインタラクションパターンとシナリオ選好の学習
• Authors: Haotong Du, Yaqing Wang, Fei Xiong, Lei Shao, Ming Liu, Hao Gu, Quanming Yao, Zhen Wang,
• Abstract要約: 効果的なマルチシナリオレコメンデーションの鍵は、すべてのシナリオで共有されるユーザの好みと、シナリオ固有のシナリオ対応の好みの両方をキャプチャすることだ。 ユーザ固有のモデリングをマルチシナリオマッチングに組み込む革新的なアプローチであるPERSCENを提案する。 PERSCENは、ユーザ特性に基づいて、ユーザ固有の特徴グラフを構築し、高次のインタラクションパターンをキャプチャするために、軽量なグラフニューラルネットワークを使用している。
• 参考スコア（独自算出の注目度）: 38.829190984763294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the expansion of business scales and scopes on online platforms, multi-scenario matching has become a mainstream solution to reduce maintenance costs and alleviate data sparsity. The key to effective multi-scenario recommendation lies in capturing both user preferences shared across all scenarios and scenario-aware preferences specific to each scenario. However, existing methods often overlook user-specific modeling, limiting the generation of personalized user representations. To address this, we propose PERSCEN, an innovative approach that incorporates user-specific modeling into multi-scenario matching. PERSCEN constructs a user-specific feature graph based on user characteristics and employs a lightweight graph neural network to capture higher-order interaction patterns, enabling personalized extraction of preferences shared across scenarios. Additionally, we leverage vector quantization techniques to distil scenario-aware preferences from users' behavior sequence within individual scenarios, facilitating user-specific and scenario-aware preference modeling. To enhance efficient and flexible information transfer, we introduce a progressive scenario-aware gated linear unit that allows fine-grained, low-latency fusion. Extensive experiments demonstrate that PERSCEN outperforms existing methods. Further efficiency analysis confirms that PERSCEN effectively balances performance with computational cost, ensuring its practicality for real-world industrial systems.
• Abstract（参考訳）: オンラインプラットフォームにおけるビジネススケールの拡大とスコープの拡大により、マルチシナリオマッチングは、メンテナンスコストを削減し、データの分散を緩和する主要なソリューションになっています。 効果的なマルチシナリオレコメンデーションの鍵は、すべてのシナリオで共有されるユーザの好みと、シナリオ固有のシナリオ対応の好みの両方をキャプチャすることだ。 しかし、既存の手法はしばしばユーザー固有のモデリングを見落とし、パーソナライズされたユーザー表現の生成を制限する。 そこで本研究では,ユーザ固有のモデリングをマルチシナリオマッチングに組み込む革新的なアプローチであるPERSCENを提案する。 PERSCENはユーザ特性に基づいてユーザ固有の特徴グラフを構築し、軽量なグラフニューラルネットワークを使用して高次のインタラクションパターンをキャプチャし、シナリオ間で共有される好みのパーソナライズされた抽出を可能にする。 さらに,ベクトル量子化手法を利用して,個々のシナリオ内でのユーザの行動系列からシナリオ認識の嗜好を排除し,ユーザ固有およびシナリオ認識の嗜好モデリングを容易にする。 情報伝達の効率化とフレキシブル化を図るため,我々は,細粒度で低遅延の融合が可能なプログレッシブ・シナリオ対応ゲート・リニア・ユニットを導入する。 大規模な実験により、PERSCENは既存の手法より優れていることが示された。 さらなる効率分析により、PERSCENは性能と計算コストのバランスを効果的に保ち、実世界の産業システムにおける実用性を保証する。

関連論文リスト

• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• P-GenRM: Personalized Generative Reward Model with Test-time User-based Scaling [66.55381105691818]
  P-GenRM(Personalized Generative Reward Model)を提案する。 P-GenRMは、選好信号を適応的なペルソナとスコアリングルーリックを導出する構造化評価チェーンに変換する。 さらにユーザをユーザプロトタイプにクラスタリングし、二重粒度スケーリングメカニズムを導入している。
  論文  参考訳（メタデータ） (2026-02-12T16:07:22Z)
• Cross-Scenario Unified Modeling of User Interests at Billion Scale [31.293456834853853]
  本稿では,産業レベルのコンテンツレコメンデーションシステムに適した,多種多様なシナリオのための高度なレコメンダエンジンであるRED-Recを提案する。 Red-Recは、複数の振る舞いコンテキストにまたがるユーザ関心の表現を統一し、包括的なアイテムとユーザモデリングをもたらす。 RED-RecのオンラインA/Bテストは、RedNoteの数億人のユーザを対象に、オンラインA/Bテストを通じて検証し、コンテンツレコメンデーションと広告ターゲティングタスクの両方において、大幅なパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2025-10-16T15:20:49Z)
• Global-Distribution Aware Scenario-Specific Variational Representation Learning Framework [3.531624622201587]
  グローバル・ディストリビューション・アウェア・シナリオ-特殊変分表現学習フレームワーク(GSVR)について紹介する。 提案手法では,確率論的モデルを用いて,変動推論(VI)を用いて推定した各シナリオにおいて,各ユーザとアイテムに対してシナリオ固有の分布を生成する。 また,グローバルな知識対応多分野分布を事前知識として導入し,後部ユーザおよび項目分布の学習を規制する。
  論文  参考訳（メタデータ） (2025-08-20T07:31:37Z)
• Personas within Parameters: Fine-Tuning Small Language Models with Low-Rank Adapters to Mimic User Behaviors [1.8352113484137629]
  正確なレコメンデーションモデルを開発する上での長年の課題は、主にユーザインタラクションの複雑な性質のために、ユーザの振る舞いをシミュレートすることである。 本研究では, 凍結したLarge Language Models (LLMs) を用いてロバストなユーザ表現を抽出し, 微調整小言語モデル (SLMs) を用いたコスト効率, 資源効率のよいユーザエージェントをシミュレートする手法を提案する。 提案手法の有効性を実証し,本手法を用いて開発したユーザエージェントが,オフラインメトリクスとレコメンデータシステムの実環境性能のギャップを埋める可能性を示した。
  論文  参考訳（メタデータ） (2025-08-18T22:14:57Z)
• Reinforcing User Interest Evolution in Multi-Scenario Learning for recommender systems [0.7533573796315849]
  現実世界のレコメンデーションシステムでは、ユーザーはホームページ、検索ページ、関連するレコメンデーションページなどの様々なシナリオに従事している。 ユーザの関心は、意思決定プロセスと嗜好表現の違いにより、さまざまなシナリオで矛盾する可能性がある。 本稿では,複数のシナリオにまたがるユーザ関心の進化をモデル化することにより,シナリオ間でのユーザの嗜好をモデル化する新しい強化学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-21T11:27:53Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• From 1,000,000 Users to Every User: Scaling Up Personalized Preference for User-level Alignment [41.96246165999026]
  大規模言語モデル(LLM)は、伝統的にワンサイズフィットのアプローチによって整列されてきた。 本稿では,LLMのスケーラブルなパーソナライズのための包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T17:41:46Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• Personalized Preference Fine-tuning of Diffusion Models [75.22218338096316]
  拡散モデルとパーソナライズされた嗜好を整合させるマルチリワード最適化の目的であるPDを導入する。 PPDでは、拡散モデルがユーザーの個人の好みを数秒で学習する。 提案手法は,Stable Cascadeに対して平均76%の勝利率を達成し,特定のユーザの好みをより正確に反映した画像を生成する。
  論文  参考訳（メタデータ） (2025-01-11T22:38:41Z)
• 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)
• Transferable and Forecastable User Targeting Foundation Model [37.50233807898246]
  本稿では,ファウンデーションモデルであるFOUNDを提案する。 本フレームワークはヘテロジニアスなマルチシナリオユーザデータを統合し,要求入力をターゲットとしたワンセンスデータと整合する。 このアプローチは、クロスドメインな現実世界のユーザターゲットシナリオにおいて、既存のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2024-12-17T02:05:09Z)
• Scenario-Adaptive Fine-Grained Personalization Network: Tailoring User Behavior Representation to the Scenario Context [3.7566162903515115]
  我々はSFPNet(Scenario-Adaptive Fine-Grained Personalization Network)というランキングフレームワークを開発した。 SFPNetは、マルチシナリオパーソナライズされたレコメンデーションのための、ある種のきめ細かいメソッドを設計する。
  論文  参考訳（メタデータ） (2024-04-15T12:08:44Z)
• 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)
• Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation [35.4495536683099]
  シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
  論文  参考訳（メタデータ） (2022-08-24T11:44:00Z)

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。