論文の概要: A Framework for Personalized Persuasiveness Prediction via Context-Aware User Profiling

• arxiv url: http://arxiv.org/abs/2601.05654v1
• Date: Fri, 09 Jan 2026 09:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.928138
• Title: A Framework for Personalized Persuasiveness Prediction via Context-Aware User Profiling
• Title（参考訳）: コンテキスト認識型ユーザプロファイリングによるパーソナライズされた説得力予測フレームワーク
• Authors: Sejun Park, Yoonah Park, Jongwon Lim, Yohan Jo,
• Abstract要約: メッセージの説得性を推定することは、様々なアプリケーションにおいて重要である。 説得力予測モデルの利点に説得者の過去の活動を活用するための確立された枠組みは存在しない。 2つのトレーニング可能なコンポーネントを持つコンテキスト認識型ユーザプロファイリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.531813748944383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the persuasiveness of messages is critical in various applications, from recommender systems to safety assessment of LLMs. While it is imperative to consider the target persuadee's characteristics, such as their values, experiences, and reasoning styles, there is currently no established systematic framework to optimize leveraging a persuadee's past activities (e.g., conversations) to the benefit of a persuasiveness prediction model. To address this problem, we propose a context-aware user profiling framework with two trainable components: a query generator that generates optimal queries to retrieve persuasion-relevant records from a user's history, and a profiler that summarizes these records into a profile to effectively inform the persuasiveness prediction model. Our evaluation on the ChangeMyView Reddit dataset shows consistent improvements over existing methods across multiple predictor models, with gains of up to +13.77%p in F1 score. Further analysis shows that effective user profiles are context-dependent and predictor-specific, rather than relying on static attributes or surface-level similarity. Together, these results highlight the importance of task-oriented, context-dependent user profiling for personalized persuasiveness prediction.
• Abstract（参考訳）: メッセージの説得性を推定することは、レコメンダシステムからLLMの安全性評価まで、様々なアプリケーションにおいて重要である。 対象の説得者の特徴(価値観や経験、推論スタイルなど)を考えることは必須であるが、現在、説得者の過去の活動(会話など)を説得力予測モデルに活用するための体系的な枠組みは確立されていない。 この問題に対処するために,ユーザの履歴から説得関連レコードを検索する最適なクエリを生成するクエリジェネレータと,これらのレコードをプロファイルに要約し,説得性予測モデルを効果的に通知するプロファイラという,トレーニング可能な2つのコンポーネントを備えたコンテキスト対応ユーザプロファイリングフレームワークを提案する。 ChangeMyView Redditデータセットの評価では、複数の予測モデルで既存のメソッドよりも一貫した改善が見られ、F1スコアで最大+13.77%のゲインが得られた。 さらに分析したところ、有効なユーザプロファイルは静的属性や表面レベルの類似性に頼るのではなく、コンテキストに依存して予測できる。 これらの結果は、パーソナライズされた説得力予測のためのタスク指向のコンテキスト依存型ユーザプロファイリングの重要性を強調している。

関連論文リスト

• PreferThinker: Reasoning-based Personalized Image Preference Assessment [83.66114370585976]
  推論に基づくパーソナライズされた画像嗜好評価フレームワークを提案する。 まず、ユーザーの好みプロファイルを参照画像から予測する。 次に、解釈可能で多次元のスコアと候補画像の評価を提供する。
  論文  参考訳（メタデータ） (2025-11-01T16:19:51Z)
• Pathways of Thoughts: Multi-Directional Thinking for Long-form Personalized Question Answering [57.12316804290369]
  ユーザ固有の情報ニーズに質問応答システムを適用するためには,パーソナライゼーションが不可欠である。 本稿では,タスク固有の微調整を必要とせず,任意の大規模言語モデル (LLM) に適用可能な推論段階の方法として,思考の経路 (PoT) を提案する。 PoTは競争ベースラインを一貫して上回り、13.1%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2025-09-23T14:44:46Z)
• PREFINE: Personalized Story Generation via Simulated User Critics and User-Specific Rubric Generation [2.8324853634693614]
  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。
  論文  参考訳（メタデータ） (2025-09-16T16:39:40Z)
• NextQuill: Causal Preference Modeling for Enhancing LLM Personalization [82.15961484963256]
  因果選好モデルに基づく新しいパーソナライズフレームワークであるNextQuillを紹介する。 この洞察に基づいて、NextQuillは2つの補完的なアライメント戦略を導入した。 複数のパーソナライズベンチマークの実験により、NextQuillはパーソナライズ品質を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-06-03T02:08:55Z)
• 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)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction [8.213386595519928]
  我々は,新しい変分推論手法,すなわちグループ事前サンプリング変分推論(GPSVI)を提案する。 GPSVIは、グループ嗜好を先行として導入し、末尾ユーザーのための潜伏したユーザー関心を洗練させる。 厳密な分析と広範な実験により、GPSVIはテールユーザーの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2024-10-19T13:15:36Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)

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。