論文の概要: SocialPersona: Benchmarking Personalized Profiling and Response with Multimodal Social-Media Context

• arxiv url: http://arxiv.org/abs/2606.26654v1
• Date: Thu, 25 Jun 2026 06:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.18549
• Title: SocialPersona: Benchmarking Personalized Profiling and Response with Multimodal Social-Media Context
• Title（参考訳）: SocialPersona: マルチモーダルなソーシャルメディアコンテキストによるパーソナライズされたプロファイリングとレスポンスのベンチマーク
• Abstract要約: SocialPersonaは、マルチモーダルな大規模言語モデル(MLLM)が、縦方向のソーシャルメディアタイムラインから明らかにされた好みを回復し、対話で使用することができるかどうかを評価するためのベンチマークである。 SocialPersonaには、テキスト、画像、タイムスタンプ、および7つの関心領域にまたがる2,597の人間認証された好みタグが含まれている。
• 参考スコア（独自算出の注目度）: 51.206396477505116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized language-model assistants are often evaluated through a memory lens: can a model recall preferences users have explicitly stated in dialogue? More comprehensive personalization demands a harder capability -- inferring what users care about from the multimodal traces they naturally leave behind. We introduce SocialPersona, a benchmark for evaluating whether multimodal large language models (MLLMs) can recover revealed preferences from longitudinal social-media timelines and use them in dialogue. Built from longitudinal timelines of 171 everyday, non-promotional social-media users, SocialPersona contains text, images, timestamps, and 2,597 human-verified preference tags across seven interest domains, separating stable interests from recent interests. It supports two tasks: constructing structured user profiles from multimodal context and generating responses aligned with inferred profiles. Experiments with proprietary and open-weight MLLMs show that models can identify broad interest domains, yet their performance drops on fine-grained and recent interests and degrades further when inferred profiles must be used to personalize dialogue. Together with evidence that text and images provide complementary preference signals, these results indicate that robust cross-modal, long-horizon user modeling remains a key challenge, and that SocialPersona can help measure and advance progress toward assistants that infer and act on revealed preferences.
• Abstract（参考訳）: パーソナライズされた言語モデルアシスタントは、しばしばメモリレンズを通して評価される。 より包括的なパーソナライゼーションは、ユーザが自然に残したマルチモーダルトレースから何に関心を持つかを推測する、難しい機能を必要とします。 マルチモーダル・大規模言語モデル(MLLM)が、縦断的ソーシャルメディア・タイムラインから明らかにされた嗜好を回復し、対話で活用できるかどうかを評価するためのベンチマークであるSocialPersonaを導入する。 SocialPersonaにはテキスト、画像、タイムスタンプ、および7つの関心領域にまたがる2,597の人間認証された好みタグが含まれており、最近の関心から安定した関心を分離している。 マルチモーダルコンテキストから構造化されたユーザプロファイルを構築することと、推論されたプロファイルに一致したレスポンスを生成することの2つのタスクをサポートする。 プロプライエタリでオープンウェイトなMLLMを用いた実験では、モデルは幅広い関心領域を識別できるが、それらのパフォーマンスは細粒度や最近の関心に低下し、推論プロファイルを使用して対話をパーソナライズする必要がある場合にさらに低下する。 テキストと画像が相補的な選好信号を提供するという証拠とともに、これらの結果は、堅牢なクロスモーダルな長期ユーザーモデリングが重要な課題であり、SocialPersonaは、明らかにされた選好を推測し、行動するアシスタントへの進歩を測り、前進させるのに役立つことを示唆している。

関連論文リスト

• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• Mem-PAL: Towards Memory-based Personalized Dialogue Assistants for Long-term User-Agent Interaction [55.24448139349266]
  PAL-Benchは、長期ユーザエージェントインタラクションにおけるサービス指向アシスタントのパーソナライズ機能を評価するために設計された新しいベンチマークである。 サービス指向のインタラクションをパーソナライズするために、階層的で異質なメモリフレームワークであるH$2$Memoryを提案する。
  論文  参考訳（メタデータ） (2025-11-17T14:22:32Z)
• Post Persona Alignment for Multi-Session Dialogue Generation [16.574386220377757]
  Post Persona Alignment (PPA)はパーソナライズされた対話生成のための新しい2段階のフレームワークである。 まず、対話コンテキストのみに基づく一般的な応答を生成し、その応答をクエリとして使用して関連するペルソナ記憶を検索し、最後に話者のペルソナと整合する応答を洗練する。 マルチセッションLPM生成対話データを用いた実験により、PPAは、一貫性、多様性、ペルソナ関連性において、従来のアプローチよりも顕著に優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-13T15:04:01Z)
• A Personalized Conversational Benchmark: Towards Simulating Personalized Conversations [112.81207927088117]
  PersonaConvBenchは、大規模言語モデル(LLM)とのマルチターン会話におけるパーソナライズされた推論と生成を評価するためのベンチマークである。 我々は,複数の商用およびオープンソース LLM を統一的なプロンプト設定でベンチマークし,パーソナライズされた履歴を組み込むことで大幅な性能向上が得られることを観察した。
  論文  参考訳（メタデータ） (2025-05-20T09:13:22Z)
• 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)
• Hello Again! LLM-powered Personalized Agent for Long-term Dialogue [63.65128176360345]
  モデルに依存しない長期対話エージェント(LD-Agent)を導入する。 イベント認識、ペルソナ抽出、応答生成のための3つの独立した調整可能なモジュールが組み込まれている。 LD-Agentの有効性, 汎用性, クロスドメイン性について実験的に検証した。
  論文  参考訳（メタデータ） (2024-06-09T21:58:32Z)
• PersonalityChat: Conversation Distillation for Personalized Dialog Modeling with Facts and Traits [5.447308344436046]
  PersonalityChatは、人気のPersonaChatデータセットに基づいた合成会話データセットである。 生成対話モデルの特質に基づくパーソナライズには,性格特性ラベルが有効であることを示す。
  論文  参考訳（メタデータ） (2024-01-14T20:35:33Z)

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。