論文の概要: Netflix Artwork Personalization via LLM Post-training

• arxiv url: http://arxiv.org/abs/2601.02764v1
• Date: Tue, 06 Jan 2026 06:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.8382
• Title: Netflix Artwork Personalization via LLM Post-training
• Title（参考訳）: LLMポストトレーニングによるNetflixアートワークのパーソナライズ
• Authors: Hyunji Nam, Sejoon Oh, Emma Kong, Yesu Feng, Moumita Bhattacharya,
• Abstract要約: 本研究は,ユーザの好みに応じてパーソナライズされたアートワークレコメンデーションの新たな課題を探求する。 タイトルには異なるテーマとトーンが含まれており、異なる視聴者にアピールする可能性がある。 ワンサイズのアプローチではなく、トレーニング済みのLLMのポストトレーニングを行い、パーソナライズされたアートワークのレコメンデーションを作成します。
• 参考スコア（独自算出の注目度）: 1.9868534918073977
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) have demonstrated success in various applications of user recommendation and personalization across e-commerce and entertainment. On many entertainment platforms such as Netflix, users typically interact with a wide range of titles, each represented by an artwork. Since users have diverse preferences, an artwork that appeals to one type of user may not resonate with another with different preferences. Given this user heterogeneity, our work explores the novel problem of personalized artwork recommendations according to diverse user preferences. Similar to the multi-dimensional nature of users' tastes, titles contain different themes and tones that may appeal to different viewers. For example, the same title might feature both heartfelt family drama and intense action scenes. Users who prefer romantic content may like the artwork emphasizing emotional warmth between the characters, while those who prefer action thrillers may find high-intensity action scenes more intriguing. Rather than a one-size-fits-all approach, we conduct post-training of pre-trained LLMs to make personalized artwork recommendations, selecting the most preferred visual representation of a title for each user and thereby improving user satisfaction and engagement. Our experimental results with Llama 3.1 8B models (trained on a dataset of 110K data points and evaluated on 5K held-out user-title pairs) show that the post-trained LLMs achieve 3-5\% improvements over the Netflix production model, suggesting a promising direction for granular personalized recommendations using LLMs.
• Abstract（参考訳）: 大規模言語モデル (LLM) は、電子商取引やエンターテイメントにおけるユーザ推薦やパーソナライゼーションの様々な応用に成功している。 Netflixのような多くのエンターテイメントプラットフォームでは、ユーザーは通常、幅広いタイトルと対話し、それぞれがアートワークで表現される。 ユーザの好みは多様であるため、あるタイプのユーザに対してアピールするアートワークは、異なる好みを持つユーザと共鳴しない場合がある。 このユーザの不均一性を考えると、多様なユーザの好みに応じてパーソナライズされたアートワークレコメンデーションの新たな問題について検討する。 ユーザの嗜好の多次元的な性質と同様に、タイトルには異なる視聴者にアピールするさまざまなテーマとトーンが含まれている。 例えば、同じタイトルは、ハートフェルト・ファミリードラマと激しいアクションシーンの両方を特徴としている。 ロマンチックなコンテンツを好むユーザーは、キャラクター間の感情的な暖かさを強調するアートが好きであり、アクションスリラーを好む人は、より魅力的なアクションシーンを見つけることができる。 学習済みのLLMのポストトレーニングを行い、パーソナライズされたアートワークのレコメンデーションを行い、各ユーザに対して最も好まれるタイトルの視覚的表現を選択し、ユーザの満足度とエンゲージメントを向上させる。 Llama 3.1 8Bモデル(110Kデータポイントのデータセットでトレーニングし、5Kの保持されたユーザタイトルペアで評価)による実験結果から、トレーニング後のLLMはNetflixのプロダクションモデルよりも3～5倍改善され、LLMを用いたパーソナライズドレコメンデーションのための有望な方向性が示唆された。

関連論文リスト

• HIPPO-Video: Simulating Watch Histories with Large Language Models for Personalized Video Highlighting [27.92094212778288]
  パーソナライズされたビデオハイライトのための新しいデータセットであるHIPPO-Videoを紹介する。 データセットには2,040対(履歴、給与スコア)が含まれており、170のセマンティックカテゴリにわたる20,400のビデオをカバーしている。 提案手法は,これらの個人化された時計履歴を利用して,嗜好条件付きセグメント・サリエンシスコアを推定する手法である。
  論文  参考訳（メタデータ） (2025-07-22T08:24:33Z)
• 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)
• A Survey of Personalized Large Language Models: Progress and Future Directions [86.45576419251302]
  LLM(Large Language Models)は、一般的な知識タスクを扱うのに優れているが、ユーザ固有のパーソナライゼーションに苦慮している。 パーソナライズされた大規模言語モデル(PLLM)は、個々のユーザデータを活用することでこれらの課題に対処する。 PLLMは、ユーザの満足度を大幅に向上させ、会話エージェント、システム、感情認識、医療アシスタントなどの幅広い用途に応用することができる。
  論文  参考訳（メタデータ） (2025-02-17T07:58:31Z)
• VisualLens: Personalization through Task-Agnostic Visual History [31.424566426569868]
  タスクに依存しない視覚履歴を用いたパーソナライズを実現するために,マルチモーダルな大規模言語モデル(MLLM)を活用する新しいフレームワークであるVisualLensを提案する。 VisualLensは、パーソナライズされたレコメンデーションをサポートするために、ビジュアル履歴からスペクトルユーザープロファイルを抽出、フィルタリング、洗練する。
  論文  参考訳（メタデータ） (2024-11-25T01:45:42Z)
• Large Language Models as Narrative-Driven Recommenders [0.051205673783866146]
  大規模言語モデル(LLM)は、一般的な自然言語クエリの処理に優れていることが示されている。 映画レコメンデーション設定において,38個のオープンソース LLM とクローズドソース LLM のパフォーマンスを比較した。 以上の結果から,LLMがコンテキストに関連のある映画レコメンデーションを生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-17T14:39:24Z)
• Aligning LLMs with Individual Preferences via Interaction [51.72200436159636]
  調整可能な大きな言語モデル(LLM)をトレーニングします。 木構造における3K以上の多ターン会話を含む多ターン嗜好データセットを開発した。 評価のために、慎重に選択された100のサンプルと、会話中にカスタマイズされたアライメント性能を測定するために適切に設計されたメトリクスからなるALOEベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-10-04T17:48:29Z)
• LLMs + Persona-Plug = Personalized LLMs [41.60364110693824]
  パーソナライゼーションは多くの言語タスクやアプリケーションにおいて重要な役割を担っている。 これにより、大きな言語モデル(LLM)を適用して、ユーザの好みに合わせてカスタマイズされたアウトプットを生成する、さまざまなパーソナライズされたアプローチが開発された。 そこで我々は,LLMモデルを提案する。軽量なプラグインユーザ埋め込みモジュールを用いて,過去の状況をすべてモデル化し,個人毎のユーザ固有の埋め込みを構築する。
  論文  参考訳（メタデータ） (2024-09-18T11:54:45Z)
• Large Language Models as Conversational Movie Recommenders: A User Study [3.3636849604467]
  大規模言語モデル(LLM)は、強い推薦性を提供するが、全体的なパーソナライゼーション、多様性、ユーザ信頼は欠如している。 LLMは、あまり知られていない映画やニッチ映画を推薦する能力を高めている。
  論文  参考訳（メタデータ） (2024-04-29T20:17:06Z)
• Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の累積増加率は4.13%に達した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)

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。