論文の概要: PREFINE: Personalized Story Generation via Simulated User Critics and User-Specific Rubric Generation

• arxiv url: http://arxiv.org/abs/2510.21721v1
• Date: Tue, 16 Sep 2025 16:39:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.112083
• Title: PREFINE: Personalized Story Generation via Simulated User Critics and User-Specific Rubric Generation
• Title（参考訳）: PreFINE:シミュレートされたユーザ批判とユーザ特有のルーブリック生成によるパーソナライズされたストーリー生成
• Authors: Kentaro Ueda, Takehiro Takayanagi,
• Abstract要約: PreFINEは、Crytique-and-Refineパラダイムをパーソナライズに拡張する新しいフレームワークである。 PreFINEは、ユーザのインタラクション履歴から擬似ユーザエージェントを構築し、ユーザ固有のルーリックを生成する。 本手法は,対話システムや教育,レコメンデーションなどの幅広い応用において,効率的なパーソナライズを可能にする可能性を持っている。
• 参考スコア（独自算出の注目度）: 2.8324853634693614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While recent advances in Large Language Models (LLMs) have improved the quality of creative text generation, significant challenges remain in producing personalized stories that reflect individual user preferences. Conventional approaches rely on explicit feedback or fine-tuning, which presents practical issues regarding user burden, data collection, computational costs, and privacy. In this work, we propose PREFINE (Persona-and-Rubric Guided Critique-and-Refine), a novel framework that extends the Critique-and-Refine paradigm to personalization. PREFINE constructs a pseudo-user agent from a user's interaction history and generates user-specific rubrics (evaluation criteria). By having this agent critique and refine outputs on the user's behalf based on these tailored rubrics, our method achieves personalized generation without requiring parameter updates or direct user feedback. We conducted a comprehensive evaluation on the PerDOC and PerMPST story datasets. We designed three baseline methods and several model variants to verify the contribution of each component of our framework. In automatic evaluations (LLM-as-a-Judge), PREFINE achieved higher win rates and statistically significant scores than the baselines, without compromising general story quality. Analysis of the model variants confirmed that both the pseudo-user agent and the user-specific rubrics are crucial for enhancing personalization performance. Beyond story generation, our approach holds potential for enabling efficient personalization in broader applications, such as dialogue systems, education, and recommendation.
• Abstract（参考訳）: 近年のLLM(Large Language Models)の進歩により、創造的なテキスト生成の品質が向上しているが、個々のユーザの好みを反映したパーソナライズされたストーリの生成には大きな課題が残っている。 従来のアプローチは明示的なフィードバックや微調整に依存しており、ユーザの負担、データ収集、計算コスト、プライバシに関する現実的な問題を提示している。 本研究では, パーソナリティ・アンド・ルーブリック・ガイドライン・アンド・リファイン(PreFINE, Persona-and-Rubric Guided Critique-and-Refine)を提案する。 PreFINEは、ユーザのインタラクション履歴から擬似ユーザエージェントを構築し、ユーザ固有のルーリック(評価基準)を生成する。 本手法は, パラメータ更新やユーザからの直接フィードバックを必要とせず, 個人化された生成を実現する。 我々はPerDOCとPerMPSTのストーリーデータセットを総合的に評価した。 フレームワークの各コンポーネントのコントリビューションを検証するために、3つのベースラインメソッドといくつかのモデル変種を設計しました。 自動評価 (LLM-as-a-Judge) において, PreFINE は一般のストーリー品質を損なうことなく, ベースラインよりも高い勝利率と統計的に有意なスコアを得た。 モデル変異の分析により,擬似ユーザエージェントとユーザ固有のルーリックの両方がパーソナライズ性能の向上に不可欠であることが確認された。 ストーリー生成以外にも,対話システムや教育,レコメンデーションといった幅広い応用において,効率的なパーソナライズを可能にする可能性も秘めている。

関連論文リスト

• ELIXIR: Efficient and LIghtweight model for eXplaIning Recommendations [1.9711529297777448]
  評価予測とパーソナライズされたレビュー生成を組み合わせたマルチタスクモデルELIXIRを提案する。 ELIXIRは、ユーザとアイテムのグローバルおよびアスペクト固有の表現を共同で学習し、全体的なレーティング、アスペクトレベルのレーティング、レビュー生成を最適化する。 T5-small (60M)モデルに基づいて、パーソナライズされたコンテキストにおけるテキスト生成を導く上で、アスペクトベースのアーキテクチャの有効性を実証する。
  論文  参考訳（メタデータ） (2025-08-27T23:01:11Z)
• PREF: Reference-Free Evaluation of Personalised Text Generation in LLMs [32.27940625341602]
  ユーザ中心の情報システムにはパーソナライズドテキスト生成が不可欠である。 textbfPersonalized textbfReference-free textbfEvaluation textbfFrameworkを紹介する。
  論文  参考訳（メタデータ） (2025-08-08T14:32:31Z)
• A Personalized Conversational Benchmark: Towards Simulating Personalized Conversations [112.81207927088117]
  PersonaConvBenchは、大規模言語モデル(LLM)とのマルチターン会話におけるパーソナライズされた推論と生成を評価するためのベンチマークである。 我々は,複数の商用およびオープンソース LLM を統一的なプロンプト設定でベンチマークし,パーソナライズされた履歴を組み込むことで大幅な性能向上が得られることを観察した。
  論文  参考訳（メタデータ） (2025-05-20T09:13:22Z)
• Reasoning LLMs for User-Aware Multimodal Conversational Agents [3.533721662684487]
  社会ロボティクスにおけるパーソナライゼーションは、効果的な人間とロボットの相互作用を促進するために重要である。 本稿では,ユーザ認識型対話エージェントのための新しいフレームワークUSER-LLM R1を提案する。 提案手法では,チェーン・オブ・シンク(CoT)推論モデルを統合し,ユーザの好みや視覚言語モデルを反復的に推測する。
  論文  参考訳（メタデータ） (2025-04-02T13:00:17Z)
• Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
  ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。 構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。 また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-04T01:46:49Z)
• 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)

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。