論文の概要: CoPersona: Collaborative Persona Graphs for Robust LLM Personalization

• arxiv url: http://arxiv.org/abs/2607.01485v1
• Date: Wed, 01 Jul 2026 21:27:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.597089
• Title: CoPersona: Collaborative Persona Graphs for Robust LLM Personalization
• Title（参考訳）: CoPersona:ロバストLLMパーソナライゼーションのためのコラボレーションペルソナグラフ
• Abstract要約: 現実世界のLLMパーソナライゼーションは、しばしばスパースとスキュードのユーザー履歴によって制限される。 本稿では,グラフベースの協調パーソナライズフレームワークであるCoPersonaについて紹介する。
• 参考スコア（独自算出の注目度）: 23.806839397228988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world LLM personalization is often constrained by sparse and skewed user histories: most users provide only a handful of interactions, while even frequent users' logs capture an incomplete and biased view of their preferences. As a result, weakly observed user attributes are difficult to infer, leading to brittle personalization when test-time requests shift toward under-supported facets. Motivated by this limitation, we present CoPersona, a graph-based collaborative personalization framework that completes sparse user profiles by borrowing signals from behaviorally similar peers. However, directly transferring signals is difficult because uneven facet coverage introduces bias into interaction histories, obscuring user similarity in the unstructured global space. To address this issue, CoPersona decomposes interaction histories into multiple facet-level representations and explicitly models peer-to-peer, facet-level alignment through a multiplex persona graph. To effectively leverage peer information at inference time, we employ a dual-branch architecture that combines non-parametric peer retrieval with parametric graph reasoning. Experiments across multiple domains and model scales demonstrate consistent improvements over strong baselines, validating CoPersona as an effective approach for robust LLM personalization.
• Abstract（参考訳）: 現実世界のLLMパーソナライゼーションはスパースとスキュードのユーザー履歴によって制約されることが多く、ほとんどのユーザーはほんのわずかなインタラクションしか提供しないが、頻繁なユーザのログでさえ好みの不完全でバイアスのあるビューを捉えている。 その結果、弱い観察されたユーザ属性を推測することは困難であり、テストタイム要求がサポートされていないファセットに移行した場合、パーソナライズが不安定になる。 この制限によって動機づけられたCoPersonaは、グラフベースの協調パーソナライゼーションフレームワークであり、行動に類似した仲間からの信号を借りることで、スパースユーザープロファイルを完成させる。 しかし、不均一な面のカバレッジは相互作用履歴にバイアスをもたらし、非構造的世界空間におけるユーザ類似性を隠蔽するため、信号の直接転送は困難である。 この問題に対処するため、CoPersonaはインタラクション履歴を複数のファセットレベルの表現に分解し、多重化ペルソナグラフを通してピアツーピア、ファセットレベルのアライメントを明示的にモデル化する。 推定時にピア情報を効果的に活用するために、非パラメトリックピア検索とパラメトリックグラフ推論を組み合わせたデュアルブランチアーキテクチャを用いる。 複数のドメインとモデルスケールにわたる実験は、強いベースラインよりも一貫した改善を示し、堅牢なLCMパーソナライズのための効果的なアプローチとしてCoPersonaを検証する。

関連論文リスト

• UserGPT Technical Report [6.431890534502011]
  本研究では,大規模言語モデル(LLM)が長大で雑音の多い行動履歴をコヒーレントな物語にまとめる生成パラダイムについて検討する。 LLMに基づくペルソナ理解を改善するためのフレームワークであるUserGPTを提案する。 UserGPTはタグ予測のAvg@10スコアが0.7325、要約生成のAcc_Ex$スコアが0.7528であることを示す。
  論文  参考訳（メタデータ） (2026-05-09T07:51:03Z)
• Hierarchical Multi-Persona Induction from User Behavioral Logs: Learning Evidence-Grounded and Truthful Personas [7.672918013974333]
  ユーザアクションを記憶に集約し,複数のエビデンスに基づくペルソナを誘導する階層的枠組みを提案する。 大規模サービスログと2つの公開データセットの実験は、我々の手法がより一貫性があり、エビデンスがあり、信頼できるペルソナを誘導することを示している。
  論文  参考訳（メタデータ） (2026-04-28T21:13:16Z)
• 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)
• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• A Framework for Generating Conversational Recommendation Datasets from Behavioral Interactions [2.0693204407592836]
  ConvRecStudioは、リアルタイムなマルチターンダイアログをシミュレートするフレームワークで、タイムスタンプによるユーザとイテムのインタラクションとレビューに基礎を置いている。 我々は、MobileRec、Yelp、Amazon Electronicsの3つのドメインにConvRecStudioを適用する。
  論文  参考訳（メタデータ） (2025-06-14T22:58:48Z)
• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。