論文の概要: HLLM-Creator: Hierarchical LLM-based Personalized Creative Generation

• arxiv url: http://arxiv.org/abs/2508.18118v1
• Date: Mon, 25 Aug 2025 15:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.838203
• Title: HLLM-Creator: Hierarchical LLM-based Personalized Creative Generation
• Title（参考訳）: HLLM-Creator:階層型LLMに基づくパーソナライズドクリエイティブジェネレーション
• Authors: Junyi Chen, Lu Chi, Siliang Xu, Shiwei Ran, Bingyue Peng, Zehuan Yuan,
• Abstract要約: 現在のAIGCシステムはクリエイターのインスピレーションに大きく依存しており、真にユーザ個人化されたコンテンツを生成することは滅多にない。 ユーザ関心モデリングとパーソナライズされたコンテンツ生成のための階層型LLMフレームワークであるHLLM-Creatorを提案する。 Douyin Search Adsのパーソナライズされたタイトル生成実験は,本モデルの有効性を示す。
• 参考スコア（独自算出の注目度）: 24.94016591437963
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: AI-generated content technologies are widely used in content creation. However, current AIGC systems rely heavily on creators' inspiration, rarely generating truly user-personalized content. In real-world applications such as online advertising, a single product may have multiple selling points, with different users focusing on different features. This underscores the significant value of personalized, user-centric creative generation. Effective personalized content generation faces two main challenges: (1) accurately modeling user interests and integrating them into the content generation process while adhering to factual constraints, and (2) ensuring high efficiency and scalability to handle the massive user base in industrial scenarios. Additionally, the scarcity of personalized creative data in practice complicates model training, making data construction another key hurdle. We propose HLLM-Creator, a hierarchical LLM framework for efficient user interest modeling and personalized content generation. During inference, a combination of user clustering and a user-ad-matching-prediction based pruning strategy is employed to significantly enhance generation efficiency and reduce computational overhead, making the approach suitable for large-scale deployment. Moreover, we design a data construction pipeline based on chain-of-thought reasoning, which generates high-quality, user-specific creative titles and ensures factual consistency despite limited personalized data. This pipeline serves as a critical foundation for the effectiveness of our model. Extensive experiments on personalized title generation for Douyin Search Ads show the effectiveness of HLLM-Creator. Online A/B test shows a 0.476% increase on Adss, paving the way for more effective and efficient personalized generation in industrial scenarios. Codes for academic dataset are available at https://github.com/bytedance/HLLM.
• Abstract（参考訳）: AI生成コンテンツ技術は、コンテンツ作成に広く利用されている。 しかし、現在のAIGCシステムはクリエイターのインスピレーションに大きく依存しており、真にユーザー個人化されたコンテンツを生成することは滅多にない。 オンライン広告のような現実世界のアプリケーションでは、1つの製品が複数のセールスポイントを持ち、異なるユーザーが異なる機能に焦点を当てている。 このことは、パーソナライズされたユーザー中心の創造的生成の重要な価値を浮き彫りにする。 効果的なパーソナライズされたコンテンツ生成は,1) ユーザの関心を正確にモデル化し,現実的な制約を順守しながらコンテンツ生成プロセスに統合すること,2) 産業シナリオにおける巨大なユーザベースを扱うための高い効率性とスケーラビリティを確保すること,の2つの課題に直面する。 さらに、パーソナライズされたクリエイティブデータの不足は、モデルトレーニングを複雑にし、データ構築を重要なハードルにします。 ユーザ関心モデリングとパーソナライズされたコンテンツ生成のための階層型LLMフレームワークであるHLLM-Creatorを提案する。 推論において、ユーザクラスタリングとユーザ適応予測に基づくプルーニング戦略を組み合わせることで、生成効率を大幅に向上し、計算オーバーヘッドを低減し、大規模デプロイメントに適したアプローチを実現する。 さらに,連鎖推論に基づくデータ構築パイプラインを設計し,高品質でユーザ固有のクリエイティブなタイトルを生成し,パーソナライズされたデータに拘わらず事実整合性を確保する。 このパイプラインは、私たちのモデルの有効性にとって重要な基盤となります。 Douyin Search Adsのパーソナライズされたタイトル生成に関する大規模な実験は、HLLM-Creatorの有効性を示している。 オンラインA/Bテストでは、Adssの0.476%が増加し、産業シナリオにおいてより効果的で効率的なパーソナライズされた生成が可能になった。 学術データセットのコードはhttps://github.com/bytedance/HLLMで公開されている。

関連論文リスト

• Generative Modeling with Multi-Instance Reward Learning for E-commerce Creative Optimization [15.51942931334223]
  eコマース広告では、創造的要素の最も説得力のある組み合わせを選択することが、ユーザの注意を引き、コンバージョンを推進するために重要である。 我々は、生成モデリングとマルチインスタンス報酬学習を統合したGenCOという新しいフレームワークを提案する。 われわれのアプローチは広告収入を大幅に増加させ、その実用的価値を示している。
  論文  参考訳（メタデータ） (2025-08-13T11:53:41Z)
• 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)
• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-05T09:06:02Z)
• 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)
• ProgGen: Generating Named Entity Recognition Datasets Step-by-step with Self-Reflexive Large Language Models [25.68491572293656]
  大規模言語モデルは、名前付きエンティティ認識のような構造化された知識抽出タスクにおいて不足する。 本稿では,より優れたNERデータセットを生成するため,LCMを質素なNER能力で活用するための革新的で費用効率のよい戦略について検討する。
  論文  参考訳（メタデータ） (2024-03-17T06:12:43Z)
• 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)
• A New Creative Generation Pipeline for Click-Through Rate with Stable Diffusion Model [8.945197427679924]
  従来のAIベースのアプローチは、デザイナーからの美的知識を限定しながら、ユーザー情報を考慮しないという同じ問題に直面している。 結果を最適化するために、従来の方法で生成されたクリエイティブは、クリエイティブランキングモデルと呼ばれる別のモジュールによってランク付けされる。 本稿では,クリエイティビティ生成段階においてCTRを改善することを目的とした,Click-Through Rate (CG4CTR) のための新しいCreative Generationパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-17T03:27:39Z)
• AdBooster: Personalized Ad Creative Generation using Stable Diffusion Outpainting [7.515971669919419]
  デジタル広告において、最適項目(勧告)と最良の創造的プレゼンテーション(創造的最適化)の選択は伝統的に別分野とみなされてきた。 本稿では、ユーザの興味を取り入れたクリエイティブ生成のための生成モデルのタスクを紹介し、パーソナライズされた広告クリエイティビティのためのモデルであるAdBoosterを形作る。
  論文  参考訳（メタデータ） (2023-09-08T12:57:05Z)

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。