論文の概要: LLM-Based User Personas for Recommendations at Scale

• arxiv url: http://arxiv.org/abs/2606.12198v1
• Date: Wed, 10 Jun 2026 15:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 14:12:13.795157
• Title: LLM-Based User Personas for Recommendations at Scale
• Title（参考訳）: 大規模リコメンデーションのためのLLMに基づくユーザペルソナ
• Authors: Haoting Wang, Haokai Lu, Zheyun Feng, Jenny Huang, Yifat Amir, Gregory Hinkson, Ben Most, Zelong Zhao, Yixin Kelly Cui, Rein Zhang, Fabio Soldo, Yu Xia, Nihar Bhupalam, Minmin Chen, Konstantina Christakopoulou, Lichan Hong, Ed H. Chi,
• Abstract要約: 大規模言語モデル(LLM)は、世界知識と推論能力を通じてレコメンデーションシステムを強化する前例のない可能性を提供する。 既存のアプローチは、しばしば構造化IDやオフライン処理、セマンティック・リッチネスの制限、リアルタイム適応性、ユーザ対面の解釈可能性に頼っている。 この作業は、高度なセマンティック理解と産業規模のレコメンデーションのギャップを埋め、よりダイナミックで説明可能な、パーソナライズされた体験を満たすための道を開く。
• 参考スコア（独自算出の注目度）: 16.740779038125524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) offer unprecedented potential for enhancing recommendation systems through their world knowledge and reasoning capabilities. However, existing approaches often rely on structured IDs or offline processing, limiting semantic richness, real-time adaptability, and user-facing interpretability. In this paper, we introduce a novel framework that enables real-time generation of LLM-based user interest personas for a large-scale commercial video recommendation platform. Our method generates natural-language user interest personas that address the exploitation-exploration trade-off by combining the summarization of existing interests with novel topics, directly during serving. To overcome the computational challenges of online LLM inference at a billion-user scale, we design a cost-efficient architecture leveraging knowledge distillation, asynchronous inference, and input optimization via semantically clustered video representations. Extensive offline evaluations, user studies, and live A/B tests demonstrate significant improvements in viewer value. This work bridges the gap between high-level semantic understanding and industrial-scale recommendation, paving the way for more dynamic, explainable, and satisfying personalized experiences.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、世界知識と推論能力を通じてレコメンデーションシステムを強化する前例のない可能性を提供する。 しかし、既存のアプローチは多くの場合、構造化IDやオフライン処理、セマンティック・リッチネスの制限、リアルタイム適応性、ユーザ対面の解釈可能性などに依存している。 本稿では,大規模コマーシャルビデオレコメンデーションプラットフォームにおいて,LLMに基づくユーザ興味人格をリアルタイムに生成できる新しいフレームワークを提案する。 提案手法は,既存の関心事の要約と新たな話題の要約を,サービス中に直接組み合わせることで,エクスプロイトと探索のトレードオフに対処する自然言語のユーザ関心人格を生成する。 数十億ユーザ規模のオンラインLLM推論の計算課題を克服するために,知識蒸留,非同期推論,セマンティッククラスタリングされたビデオ表現による入力最適化を活用した費用効率の高いアーキテクチャを設計する。 大規模なオフライン評価、ユーザスタディ、ライブA/Bテストは、視聴者価値を大幅に改善したことを示している。 この作業は、高度なセマンティック理解と産業規模のレコメンデーションのギャップを埋め、よりダイナミックで説明可能な、パーソナライズされた体験を満たすための道を開く。

関連論文リスト

• A Comprehensive Review on Harnessing Large Language Models to Overcome Recommender System Challenges [5.750235776275005]
  大規模言語モデル(LLM)は、レコメンデータシステムにおいて重要な課題に取り組むために利用することができる。 LLMはパーソナライズ、セマンティックアライメント、解釈可能性を高める。 LLMはゼロショットと少数ショットの推論を可能にし、コールドスタートとロングテールのシナリオでシステムが効果的に動作できるようにする。
  論文  参考訳（メタデータ） (2025-07-17T06:03:57Z)
• LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Emerging Synergies Between Large Language Models and Machine Learning in Ecommerce Recommendations [19.405233437533713]
  大規模言語モデル(LLM)は、言語理解と生成の基本的なタスクにおいて優れた機能を持つ。 機能エンコーダとしてLLMを用いたユーザとアイテムの表現を学習するための代表的なアプローチを提案する。 次に、協調フィルタリング強化レコメンデーションシステムのためのLLM技術の最新技術について概説した。
  論文  参考訳（メタデータ） (2024-03-05T08:31:00Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)

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。