論文の概要: DevPiolt: Operation Recommendation for IoT Devices at Xiaomi Home

• arxiv url: http://arxiv.org/abs/2511.14227v1
• Date: Tue, 18 Nov 2025 08:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.001844
• Title: DevPiolt: Operation Recommendation for IoT Devices at Xiaomi Home
• Title（参考訳）: DevPiolt: Xiaomi HomeにおけるIoTデバイスの運用推奨
• Authors: Yuxiang Wang, Siwen Wang, Haowei Han, Ao Wang, Boya Liu, Yong Zhao, Chengbo Wu, Bin Zhu, Bin Qin, Xiaokai Zhou, Xiao Yan, Jiawei Jiang, Bo Du,
• Abstract要約: 既存のレコメンデーションモデルは、複雑な操作ロジック、多様なユーザの好み、最適以下の提案に敏感である。 我々は,IoTデバイス操作のためのLLMベースのレコメンデーションモデルであるDevPioltを提案する。 DevPioltはXiaomi Homeアプリに4分の1でデプロイされており、毎日25万5000人のユーザーにオコメンデーションを提供している。
• 参考スコア（独自算出の注目度）: 48.9533305666503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Operation recommendation for IoT devices refers to generating personalized device operations for users based on their context, such as historical operations, environment information, and device status. This task is crucial for enhancing user satisfaction and corporate profits. Existing recommendation models struggle with complex operation logic, diverse user preferences, and sensitive to suboptimal suggestions, limiting their applicability to IoT device operations. To address these issues, we propose DevPiolt, a LLM-based recommendation model for IoT device operations. Specifically, we first equip the LLM with fundamental domain knowledge of IoT operations via continual pre-training and multi-task fine-tuning. Then, we employ direct preference optimization to align the fine-tuned LLM with specific user preferences. Finally, we design a confidence-based exposure control mechanism to avoid negative user experiences from low-quality recommendations. Extensive experiments show that DevPiolt significantly outperforms baselines on all datasets, with an average improvement of 69.5% across all metrics. DevPiolt has been practically deployed in Xiaomi Home app for one quarter, providing daily operation recommendations to 255,000 users. Online experiment results indicate a 21.6% increase in unique visitor device coverage and a 29.1% increase in page view acceptance rates.
• Abstract（参考訳）: IoTデバイスのオペレーションレコメンデーションは、履歴操作、環境情報、デバイスステータスなどのコンテキストに基づいて、ユーザのためのパーソナライズされたデバイス操作を生成することを指す。 このタスクは、ユーザの満足度と企業利益を高めるために不可欠です。 既存のレコメンデーションモデルは、複雑な操作ロジック、多様なユーザの好み、最適以下の提案に敏感で、IoTデバイス操作の適用性を制限する。 これらの問題に対処するために、IoTデバイス操作のためのLLMベースのレコメンデーションモデルであるDevPioltを提案する。 具体的には、まず、連続的な事前トレーニングとマルチタスクの微調整を通じて、IoT操作の基本的なドメイン知識をLCMに装備する。 そこで我々は,微調整 LLM を特定のユーザの好みに合わせるために,直接選好最適化を用いる。 最後に,低品質なレコメンデーションからネガティブなユーザエクスペリエンスを避けるために,信頼度に基づく露出制御機構を設計する。 大規模な実験によると、DevPioltはすべてのデータセットでベースラインを大幅に上回り、すべてのメトリクスで平均69.5%改善されている。 DevPioltはXiaomi Homeアプリに4分の1でデプロイされており、毎日25万5000人のユーザーにオコメンデーションを提供している。 オンライン実験の結果、ユニークビジターデバイスカバレッジは21.6%増加し、ページビューの受け入れ率は29.1%増加した。

関連論文リスト

• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• OneRec Technical Report [75.69742949746596]
  提案するOneRecは,エンド・ツー・エンドのジェネレーティブ・アプローチによってレコメンデーションシステムを再評価する。 まず、現在のレコメンデーションモデルの計算FLOPを10$times$で拡張し、特定のバウンダリ内でのレコメンデーションのスケーリング法則を特定した。 第2に、推薦の最適化にこれまで適用が困難であった強化学習技術は、この枠組みに有意な可能性を示している。
  論文  参考訳（メタデータ） (2025-06-16T16:58:55Z)
• Maximizing User Experience with LLMOps-Driven Personalized Recommendation Systems [7.926974917872204]
  LLMOpsをパーソナライズされたレコメンデーションシステムに統合することは、LLM駆動アプリケーションの管理において大きな進歩を見せている。 このイノベーションは、企業にとっての機会と課題の両方を示し、エンジニアリング技術の複雑さをナビゲートするために専門的なチームを必要とします。 倫理的な考慮にもかかわらず、LLMOpsは広く採用され、より効率的でセキュアな機械学習サービスを約束している。
  論文  参考訳（メタデータ） (2024-04-01T04:13:42Z)

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。