論文の概要: Real-Time Personalized Content Adaptation through Matrix Factorization and Context-Aware Federated Learning

• arxiv url: http://arxiv.org/abs/2511.18489v1
• Date: Sun, 23 Nov 2025 15:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.86446
• Title: Real-Time Personalized Content Adaptation through Matrix Factorization and Context-Aware Federated Learning
• Title（参考訳）: 行列因子化と文脈認識型フェデレーション学習によるリアルタイム個人化コンテンツ適応
• Authors: Sai Puppala, Ismail Hossain, Md Jahangir Alam, Sajedul Talukder,
• Abstract要約: 本研究では,ソーシャルメディアプラットフォームにおけるユーザインタラクションとコンテンツ関連性を高めるための多面的アプローチを提案する。 パーソナライズされたLLMフェデレーション学習モデルとコンテキストベースのソーシャルメディアモデルを導入する。 主要なモジュールは、ユーザー生成コンテンツの分類、ユーザーペルソナスコアの計算、友人ネットワークからの関連投稿の特定に重点を置いている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our study presents a multifaceted approach to enhancing user interaction and content relevance in social media platforms through a federated learning framework. We introduce personalized LLM Federated Learning and Context-based Social Media models. In our framework, multiple client entities receive a foundational GPT model, which is fine-tuned using locally collected social media data while ensuring data privacy through federated aggregation. Key modules focus on categorizing user-generated content, computing user persona scores, and identifying relevant posts from friends networks. By integrating a sophisticated social engagement quantification method with matrix factorization techniques, our system delivers real-time personalized content suggestions tailored to individual preferences. Furthermore, an adaptive feedback loop, alongside a robust readability scoring algorithm, significantly enhances the quality and relevance of the content presented to users. This comprehensive solution not only addresses the challenges of content filtering and recommendation but also fosters a more engaging social media experience while safeguarding user privacy, setting a new standard for personalized interactions in digital platforms.
• Abstract（参考訳）: 本研究では,ソーシャルメディアプラットフォームにおけるユーザインタラクションとコンテンツ関連性を高めるための多面的アプローチを,フェデレート学習フレームワークを通じて提案する。 パーソナライズされたLLMフェデレーション学習モデルとコンテキストベースのソーシャルメディアモデルを導入する。 本フレームワークでは,複数のクライアントエンティティが基礎的なGPTモデルを受信し,ローカルに収集したソーシャルメディアデータを用いて微調整し,フェデレーションアグリゲーションによるデータのプライバシを確保する。 主要なモジュールは、ユーザー生成コンテンツの分類、ユーザーペルソナスコアの計算、友人ネットワークからの関連投稿の特定に重点を置いている。 本研究では,高度なソーシャルエンゲージメント定量化手法と行列因数分解手法を組み合わせることで,個人の好みに合わせてリアルタイムにパーソナライズされたコンテンツ提案を行う。 さらに、適応的なフィードバックループと、頑健な可読性スコアリングアルゴリズムは、ユーザに提示されるコンテンツの品質と関連性を大幅に向上させる。 この包括的なソリューションは、コンテンツフィルタリングとレコメンデーションの課題に対処するだけでなく、ユーザのプライバシーを守りながら、より魅力的なソーシャルメディア体験を促進する。

関連論文リスト

• Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles [0.4885400580268118]
  大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。 本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T08:22:16Z)
• 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)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• SocFedGPT: Federated GPT-based Adaptive Content Filtering System Leveraging User Interactions in Social Networks [5.5997926295092295]
  我々は、プライバシとセキュリティのためのフェデレーション学習を利用して、パーソナライズされたGPTおよびコンテキストベースのソーシャルメディアLLMモデルを導入する。 4つのクライアントエンティティがベースGPT-2モデルとローカルに収集されたソーシャルメディアデータを受信し、統合アグリゲーションにより最新のモデルメンテナンスが保証される。 定量的なソーシャルエンゲージメントアプローチは、行列因数分解技術と相まって、パーソナライズされたコンテンツ提案をリアルタイムで促進する。
  論文  参考訳（メタデータ） (2024-08-07T20:05:26Z)
• FLASH: Federated Learning-Based LLMs for Advanced Query Processing in Social Networks through RAG [5.5997926295092295]
  このシステムは、多様なソーシャルメディアデータソースをシームレスに集約し、キュレートするように設計されている。 GPTモデルは、プライバシとセキュリティを確保するために、分散データソースに基づいてトレーニングされている。
  論文  参考訳（メタデータ） (2024-08-06T22:28:13Z)
• EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations [38.44534579040017]
  ユーザと候補項目のオフライン事前計算を可能にするフレームワークであるEmbSumを紹介する。 このモデルがユーザ興味の要約を生成する能力は貴重な副産物であり、パーソナライズされたコンテンツレコメンデーションに有用である。
  論文  参考訳（メタデータ） (2024-05-19T04:31:54Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management [61.88858330222619]
  ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。 本稿では,データ駆動型多面信頼モデルを提案する。 信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
  論文  参考訳（メタデータ） (2021-11-11T19:40:51Z)

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。