論文の概要: PREFER: Personalized Review Summarization with Online Preference Learning
- arxiv url: http://arxiv.org/abs/2605.05911v1
- Date: Thu, 07 May 2026 09:20:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.660491
- Title: PREFER: Personalized Review Summarization with Online Preference Learning
- Title（参考訳）: Prefer: オンライン優先学習によるパーソナライズされたレビュー要約
- Authors: Millend Roy, Agostino Capponi, Vineet Goyal,
- Abstract要約: 現在のeコマース要約システムは、異なるユーザが異なる製品特性に関心を持っているという事実を説明できない、汎用的で静的な要約を生成する。
ユーザ毎にパーソナライズされた要約を生成するオンライン学習フレームワークを提案する。
本システムでは,生成した要約から直接フィードバックを組み込むことで,ユーザの好みに対する理解を反復的に改善する。
- 参考スコア（独自算出の注目度）: 3.8233569758620054
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Product reviews significantly influence purchasing decisions on e-commerce platforms. However, the sheer volume of reviews can overwhelm users, obscuring the information most relevant to their specific needs. Current e-commerce summarization systems typically produce generic, static summaries that fail to account for the fact that (i) different users care about different product characteristics, and (ii) these preferences may evolve with interactions. To address the challenge of unknown latent preferences, we propose an online learning framework that generates personalized summaries for each user. Our system iteratively refines its understanding of user preferences by incorporating feedback directly from the generated summaries over time. We provide a case study using the Amazon Reviews'23 dataset, showing in controlled simulations that online preference learning improves alignment with target user interests while maintaining summary quality.
- Abstract（参考訳）: 製品レビューは、Eコマースプラットフォームの購入決定に大きな影響を及ぼす。
しかし、大量のレビューがユーザーを圧倒し、特定のニーズに最も関係のある情報を無視する可能性がある。
現在のeコマース要約システムは一般的に、その事実を説明できない汎用的で静的な要約を生成する。
(i)異なるユーザが異なる製品特性に気を配り、
(II)これらの嗜好は相互作用によって進化する可能性がある。
そこで本研究では,ユーザ毎にパーソナライズされた要約を生成するオンライン学習フレームワークを提案する。
本システムでは,生成した要約から直接フィードバックを組み込むことで,ユーザの好みに対する理解を反復的に改善する。
Amazon Reviews'23データセットを用いたケーススタディでは、オンラインの嗜好学習が、要約品質を維持しながら、ターゲットのユーザ関心との整合性を改善することを、制御されたシミュレーションで示している。
関連論文リスト
- Improving User Experience with Personalized Review Ranking and Summarization [0.0]
本研究は、レビューランキングと抽象要約を統合し、意思決定効率を向上させるためのパーソナライズされたフレームワークを提案する。
70名を対象に行ったユーザスタディでは、パーソナライズされたアプローチが満足度、妥当性、意思決定の信頼性を改善した。
論文 参考訳（メタデータ） (2025-10-28T13:16:28Z) - Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。
静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。
我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
論文 参考訳（メタデータ） (2025-09-30T18:55:28Z) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - 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) - ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳（メタデータ） (2024-10-21T14:02:40Z) - Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives [11.835903510784735]
レビューベースのレコメンデータシステムは、この分野において重要なサブフィールドとして現れている。
本稿では,これらのシステムを分類し,その特徴,有効性,限界を解析し,最先端の手法を要約する。
本稿では,マルチモーダルデータの統合,複数基準評価情報の統合,倫理的考察など,今後の研究の方向性を提案する。
論文 参考訳（メタデータ） (2024-05-09T05:45:18Z) - AaKOS: Aspect-adaptive Knowledge-based Opinion Summarization [5.4138734778206]
インターネット上の情報の急速な増加は、様々な活動、製品、サービスに関する圧倒的な意見やコメントにつながっている。
これにより、ユーザが意思決定を行うときに利用可能なすべての情報を処理するのが難しく、時間がかかります。
本稿では,製品レビューのためのアスペクト適応型知識ベースオピニオン要約モデルを提案する。
論文 参考訳（メタデータ） (2023-05-26T03:44:35Z) - Towards Personalized Answer Generation in E-Commerce via
Multi-Perspective Preference Modeling [62.049330405736406]
Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。
なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。
PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
論文 参考訳（メタデータ） (2021-12-27T07:51:49Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-02-16T02:08:52Z) - E-commerce Query-based Generation based on User Review [1.484852576248587]
本稿では,従来のユーザによるレビューに基づいて,ユーザの質問に対する回答を生成するための新しいセク2seqベースのテキスト生成モデルを提案する。
ユーザの質問や感情の極性が与えられた場合,関心事の側面を抽出し,過去のユーザレビューを要約した回答を生成する。
論文 参考訳（メタデータ） (2020-11-11T04:58:31Z)
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。