論文の概要: Bridging Textual Profiles and Latent User Embeddings for Personalization

• arxiv url: http://arxiv.org/abs/2605.06981v1
• Date: Thu, 07 May 2026 21:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.642741
• Title: Bridging Textual Profiles and Latent User Embeddings for Personalization
• Title（参考訳）: パーソナライズのためのブリッジングテキストプロファイルと潜在ユーザ埋め込み
• Authors: Zhaoxuan Tan, Xiang Zhai, Yan Zhu, Meng Jiang, Mohamed Hammad,
• Abstract要約: 本稿では,ユーザプロファイルを埋め込み型レコメンデーション目標と統合する強化学習フレームワークBLUEを提案する。 ブルーは、凍結およびトレーニング可能な埋め込み条件下で、強いベースラインを一貫して上回る。 これらの結果から,BLUEはパーソナライズのための識別可能なテキスト・プロファイリングと識別可能な潜在埋め込みを一体化するための効果的な方法であることが示された。
• 参考スコア（独自算出の注目度）: 26.383561311860106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized systems rely on user representations to connect behavioral history with downstream recommendation applications. Existing methods typically employ either supervised latent user embeddings, which are effective for retrieval but difficult to interpret, or textual user profiles, which are interpretable but challenging to optimize for downstream utility due to lack of direct supervision. To bridge this gap, we present BLUE, a reinforcement learning framework that unifies these two forms of user representation by aligning language-based user profiles with embedding-based recommendation objectives. Given a user interaction history, BLUE leverages a profiler Large Language Model (LLM) to generate textual profiles, while an embedding model provides reward signals. This encourages the resulting textual representations to move closer to positive items and farther from negative ones in the embedding space. We further introduce a text-space supervision signal based on next-item prediction, ensuring the learned profiles remain both semantically meaningful and highly effective for downstream retrieval. Experiments on Amazon Reviews 2023 and Google Local Reviews in zero-shot sequential recommendation settings demonstrate that BLUE consistently outperforms strong baselines under both frozen and trainable embedding conditions. Notably, BLUE achieves clear gains in cross-domain transfer, highlighting the strong generalization ability of the learned user profiles. Furthermore, these generated profiles provide superior personalized context for question answering compared to raw user histories or alternative profile optimization methods. Overall, these results show that BLUE provides an effective way to unify interpretable textual profiling with discriminative latent embeddings for personalization.
• Abstract（参考訳）: パーソナライズされたシステムは、行動履歴と下流のレコメンデーションアプリケーションを結ぶために、ユーザー表現に依存している。 既存の手法では、検索に有効だが解釈が困難である教師付き潜在ユーザ埋め込みや、直接の監督が欠如しているために下流ユーティリティの最適化が困難であるテキストユーザプロファイルを利用するのが一般的である。 このギャップを埋めるために,言語ベースのユーザプロファイルと埋め込みベースの推奨目的を整合させることにより,これらの2種類のユーザ表現を統一する強化学習フレームワークBLUEを提案する。 ユーザインタラクション履歴が与えられた場合、BLUEはプロファイラのLarge Language Model (LLM)を活用してテキストプロファイルを生成し、埋め込みモデルは報酬信号を提供する。 これにより、結果のテキスト表現が正の項目に近づき、埋め込み空間の負のものから遠く離れることが促される。 さらに、次点予測に基づくテキスト空間監視信号を導入し、学習したプロファイルが意味論的に意味を持ち、下流検索に非常に効果的であることを保証する。 ゼロショットシーケンシャルなレコメンデーション設定におけるAmazon Reviews 2023とGoogle Local Reviewsの実験は、BLUEが凍結およびトレーニング可能な埋め込み条件下で、強いベースラインを一貫して上回っていることを示している。 特にBLUEは、学習したユーザプロファイルの強力な一般化能力を強調することで、クロスドメイン転送における明らかな向上を実現している。 さらに、これらのプロファイルは、生のユーザ履歴や代替プロファイル最適化手法と比較して、質問応答のためのパーソナライズされたコンテキストを提供する。 以上の結果から,BLUEはパーソナライズのために,解釈可能なテキスト・プロファイリングと識別可能な潜在埋め込みを一体化するための効果的な方法であることが示された。

関連論文リスト

• Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
  PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。 まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。 次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
  論文  参考訳（メタデータ） (2026-04-27T20:58:49Z)
• DUET: Joint Exploration of User Item Profiles in Recommendation System [64.09357667290634]
  本稿では,ユーザやアイテムに対して効果的なテキストプロファイルを構築する方法について検討する。 最大の難点は、最高のプロファイルフォーマットがプリオリを知らないことである。 ユーザ履歴とアイテムエビデンスの両方で条件付きユーザプロファイルとアイテムプロファイルを共同で生成するインタラクション対応プロファイル生成器であるDuetを提案する。
  論文  参考訳（メタデータ） (2026-04-15T12:37:40Z)
• Premier: Personalized Preference Modulation with Learnable User Embedding in Text-to-Image Generation [67.23759365022279]
  パーソナライズされた画像生成のための新しい嗜好調整フレームワークであるPremierを提案する。 Premierは、各ユーザの好みを学習可能な埋め込みとして表現し、テキストプロンプトに埋め込まれたユーザを融合させる好みアダプタを導入する。 実験により、Premierは、同じ履歴長で以前の方法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-21T09:19:12Z)
• Towards Realistic Personalization: Evaluating Long-Horizon Preference Following in Personalized User-LLM Interactions [50.70965714314064]
  大規模言語モデル(LLM)は、ユーザが拡張されたインタラクションよりも複雑で多様な好みを共有するパーソナルアシスタントとして、ますます機能している。 この研究は、パーソナライズされたユーザ-LLMインタラクションにおいて、リアルな嗜好フォローを評価するためのベンチマークであるRealPrefを提案する。
  論文  参考訳（メタデータ） (2026-03-04T15:42:43Z)
• Reasoning-Based Personalized Generation for Users with Sparse Data [120.94029850012045]
  スパースコンテキスト下でパーソナライズされたテキスト生成を強化する新しいフレームワークであるGraSPerを紹介する。 GraSPerは、ユーザが将来的に対話する可能性のあるアイテムを予測することで、ユーザコンテキストを初めて強化する。 推論アライメントによって、これらのインタラクションのためのテキストを生成して、拡張されたコンテキストを豊かにする。 最終的に、実際の履歴と合成履歴の両方に基づいて、パーソナライズされた出力を生成する。
  論文  参考訳（メタデータ） (2026-01-31T01:54:23Z)
• Biases in LLM-Generated Musical Taste Profiles for Recommendation [6.482557558168364]
  推奨のための大規模言語モデル(LLM)は、消費データから自然言語(NL)のユーザ嗜好プロファイルを生成することができる。 しかし、ユーザーがこれらのプロフィールを自分の好みを正確に表現しているかどうかは不明だ。 本研究では、音楽ストリーミングの文脈でこの問題について研究し、大規模で文化的に多様なカタログによってパーソナライズに挑戦する。
  論文  参考訳（メタデータ） (2025-07-22T15:44:10Z)
• Hierarchical Interaction Summarization and Contrastive Prompting for Explainable Recommendations [9.082885521130617]
  本稿では、階層的相互作用要約(PGHIS)によるプロファイル生成と、説明生成(CPEG)のための対照的なプロンプトを組み合わせた新しいアプローチを提案する。 提案手法は既存の最先端手法よりも優れており,説明可能性(GPTScoreの5%など)とテキスト品質に関する指標の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-07-08T14:45:47Z)
• LettinGo: Explore User Profile Generation for Recommendation System [45.40232561275015]
  本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。 我々のフレームワークは、推奨精度、柔軟性、文脈認識を著しく向上させます。
  論文  参考訳（メタデータ） (2025-06-23T05:51:52Z)
• Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
  我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。 我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
  論文  参考訳（メタデータ） (2025-05-01T22:02:46Z)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)

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。