論文の概要: Generate to Explore, Select to Exploit: Aligning LLM-based Headline Generation with Personalized Recommendation
- arxiv url: http://arxiv.org/abs/2609.15094v1
- Date: Mon, 14 Sep 2026 06:14:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.115748
- Title: Generate to Explore, Select to Exploit: Aligning LLM-based Headline Generation with Personalized Recommendation
- Title（参考訳）: 個人化勧告によるLCMベースの見出し生成の調整
- Abstract要約: 産業レコメンデーションフィードでは、アイテムの静的な見出しを示すことは、ユーザ人口の多様なマルチモーダルな関心を満たすのに失敗することが多い。
本稿では,遺伝子探索と選択的利用にパーソナライズを分離するフレームワークであるGESEを紹介する。
毎日1億人以上のアクティブユーザがいる商用プラットフォームへの大規模なデプロイは、GESEが最先端のベースラインを大幅に上回っていることを示している。
- 参考スコア（独自算出の注目度）: 6.094273771485958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In industrial recommendation feeds, presenting a static headline for an item often fails to satisfy the diverse, multimodal interests of the user population, particularly suppressing the needs of long-tail audiences. While Large Language Models (LLMs) have been integrated into recommendation for content understanding or ranking, directly optimizing them to output a single best headline typically leads to mode collapse---converging to generic patterns that satisfy average tastes but miss specific latent intents. To bridge this gap, we introduce GESE (Generate to Explore, Select to Exploit), a framework operating at the system's presentation layer that decouples personalization into generative exploration and selective exploitation. First, we treat the LLM as a probabilistic explorer, utilizing Group Sequence Policy Optimization (GSPO) with a hierarchical reward mechanism to generate a candidate set that maximizes the semantic coverage of potential user interests. Subsequently, a lightweight, real-time feedback-aware selector acts as the exploiter, identifying the optimal realization from the candidate pool based on instant contextual signals. Extensive deployment on a commercial platform with over 100 million daily active users demonstrates that GESE significantly outperforms state-of-the-art baselines, achieving a 2.57% lift in CTR and 0.87% in dwell time. These results validate that decoupling diversity-oriented generation from precision-oriented selection offers a robust blueprint for aligning generative AI with dynamic user utility.
- Abstract（参考訳）: 産業レコメンデーションフィードでは、アイテムの静的な見出しを示すことは、ユーザー人口の多様で多様な利益を満足させることができず、特にロングテールのオーディエンスのニーズを抑える。
LLM(Large Language Models)はコンテンツ理解やランキングの推奨に統合されているが、単一の最高の見出しを出力するように直接最適化することで、平均的な嗜好を満たすが、特定の潜伏意図を見逃すような一般的なパターンに収束する、モード崩壊につながるのが普通である。
このギャップを埋めるために,GESE (Generate to Explore, Select to Exploit) というシステムプレゼンテーション層で動作するフレームワークを紹介した。
まず,LLMを確率的エクスプローラーとして扱い,グループシーケンスポリシー最適化(GSPO)と階層的な報酬機構を用いて,潜在的なユーザ関心のセマンティックカバレッジを最大化する候補セットを生成する。
その後、軽量でリアルタイムなフィードバック対応セレクタがエクスプローラーとして機能し、インスタントコンテキスト信号に基づいて候補プールからの最適実現を識別する。
1億人のデイリーアクティブユーザを持つ商用プラットフォームへの大規模なデプロイは、GESEが最先端のベースラインを大幅に上回り、CTRで2.57%、居住時間で0.87%を達成していることを示している。
これらの結果は、精度指向選択から多様性指向生成を分離することで、生成AIを動的ユーザユーティリティと整合させる堅牢な青写真を提供することを示す。
関連論文リスト
- SaFRO: Satisfaction-Aware Fusion via Dual-Relative Policy Optimization for Short-Video Search [6.248205896178263]
マルチタスクフュージョンは、異種予測信号を統一されたランキングスコアに集約することで、産業用短ビデオ検索システムにおいて重要な役割を担っている。
既存のアプローチは、多くの場合、長期的なユーザの満足度と一致しない、即時エンゲージメントメトリクスを最適化する。
本稿では,ショートビデオ検索におけるユーザの満足度を最適化する新しいフレームワークであるSaFROを提案する。
論文 参考訳（メタデータ） (2026-03-20T02:57:50Z) - 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) - GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction [84.0125708499372]
本稿では,クリックスルー率(CTR)予測のためのユーザ嗜好をモデル化するための生成ユーザ意図フレームワークを提案する。
このフレームワークはまず、次の項目の予測目標で訓練された生成モデルを使用して、候補の関心コホートを積極的に生成する。
階層的候補認識ネットワークは、このリッチなコンテキスト信号をランキングステージに注入し、ユーザ履歴とターゲットアイテムの両方に適合するように、クロスアテンションで精製する。
論文 参考訳（メタデータ） (2026-01-26T08:15:04Z) - Tree of Preferences for Diversified Recommendation [54.183647833064136]
データバイアスの観点から、多種多様な推薦について検討する。
本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-12-24T04:13:17Z) - POPI: Personalizing LLMs via Optimized Natural Language Preference Inference [42.25870704040321]
POPIは、不均一なユーザ信号を簡潔な自然言語要約に変換するための選好推論モデルを導入する一般的なフレームワークである。
これらの要約は、パーソナライズされた応答を生成するために共有生成モデルを必要とする透明でコンパクトで、転送可能なパーソナライズ表現として機能する。
4つのパーソナライズベンチマークによる大規模な実験により、POPIはパーソナライズ精度を常に改善し、コンテキストオーバーヘッドを大きなマージンで低減することを示した。
論文 参考訳（メタデータ） (2025-10-17T23:07:57Z) - Cross-Scenario Unified Modeling of User Interests at Billion Scale [31.293456834853853]
本稿では,産業レベルのコンテンツレコメンデーションシステムに適した,多種多様なシナリオのための高度なレコメンダエンジンであるRED-Recを提案する。
Red-Recは、複数の振る舞いコンテキストにまたがるユーザ関心の表現を統一し、包括的なアイテムとユーザモデリングをもたらす。
RED-RecのオンラインA/Bテストは、RedNoteの数億人のユーザを対象に、オンラインA/Bテストを通じて検証し、コンテンツレコメンデーションと広告ターゲティングタスクの両方において、大幅なパフォーマンス向上を示した。
論文 参考訳（メタデータ） (2025-10-16T15:20:49Z) - 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) - Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。
個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。
数発のステアライメントのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-18T16:14:59Z) - Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。
より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。
提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
論文 参考訳（メタデータ） (2024-09-14T01:45:04Z) - PMG : Personalized Multimodal Generation with Large Language Models [20.778869086174137]
本稿では,大規模言語モデル(LLM)を用いたパーソナライズされたマルチモーダル生成手法を提案する。
2つのデータセットに関する広範な実験を通じて、その応用を実証し、その性能を検証する。
PMGのパーソナライゼーションはLPIPSで最大8%向上し, 生成精度は向上した。
論文 参考訳（メタデータ） (2024-04-07T03:05:57Z)
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。