論文の概要: From "Who Is This User?" to "What Does This Purchase Mean?": A Deployed Pipeline for Semantic User Profiling at Bank Scale

• arxiv url: http://arxiv.org/abs/2609.19928v1
• Date: Thu, 17 Sep 2026 09:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.192599
• Title: From "Who Is This User?" to "What Does This Purchase Mean?": A Deployed Pipeline for Semantic User Profiling at Bank Scale
• Title（参考訳）: What Is This User?」から「What does This Purchase Mean?」へ:銀行規模でのセマンティックユーザプロファイリングのためのデプロイパイプライン
• Abstract要約: ユーザ毎の属性推論をトランザクション毎のパターンに再キャストする。 パイプラインは、数千万人のユーザの注文に基づいて、日本の大手銀行のプロファイリングに展開される。
• 参考スコア（独自算出の注目度）: 5.811502603310248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Per-user LLM inference on transaction histories binds the inference budget linearly to user count, which becomes prohibitive at applied scale. We re-cast attribute inference from per-user to per-transaction-pattern. The pipeline runs in three phases: Resolve abstracts item names with optional web grounding, Profile infers attributes for each frequent pattern, and Tag clusters free-text attributes into a queryable database. In Profile, a single LLM call per pattern emits predefined categorical labels, free-text attributes, and per-attribute prevalence estimates. Because inference runs over patterns rather than users, the budget grows with the pattern count rather than the user count. On the public Open e-commerce corpus, the database is statistically indistinguishable from an LLM that reads each user's raw history directly in AUC across the evaluated attributes, and the prevalence estimates carry discriminative signal between positive and negative users. The pipeline is deployed at a major Japanese bank profiling on the order of tens of millions of users, with close to a three-order-of-magnitude reduction in LLM inference targets versus a per-user pipeline. The code is publicly available on https://github.com/CyberAgentAILab/profiling-agent-open-ecommerce.
• Abstract（参考訳）: トランザクション履歴に対するユーザ当たりのLLM推論は、推論予算をユーザ数に線形にバインドする。 ユーザ毎の属性推論をトランザクション毎のパターンに再キャストする。 ResolveはオプションのWebグラウンドでアイテム名を抽象化し、Profileは頻繁なパターンごとに属性を推論し、Tagはフリーテキスト属性をクエリ可能なデータベースにクラスタする。 Profileでは、パターンごとに単一のLMコールが定義済みのカテゴリラベル、自由テキスト属性、属性ごとの精度推定を出力する。 推論はユーザではなくパターン上で実行されるため、ユーザ数ではなくパターン数によって予算が増加する。 公開オープン電子商取引コーパスでは、評価属性間で各ユーザの生履歴を直接AUCで読み取るLLMと統計的に区別不能であり、有病率推定は、正と負のユーザ間の識別信号を運ぶ。 パイプラインは、数千万人のユーザの注文に基づいて、日本の大手銀行のプロファイリングに展開され、LLM推論ターゲットの3桁近くを、ユーザ当たりのパイプラインと比較する。 コードはhttps://github.com/CyberAgentAILab/profiling-agent-open-eCommerceで公開されている。

関連論文リスト

• Less Is Personal: Learning Minimal Sufficient User Profiles for Personalized Language Models [77.02066500576528]
  Enoughは、行動記録を反復的に付加する手法であり、適応長のプロファイルを構築するためにSTOPを出力する。 有効性と効率の両面で、強力で検索の強化されたベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2026-09-08T03:09:19Z)
• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• Building a User Foundation Model for the Open Web [2.097346573871652]
  ユーザ閲覧履歴に自己教師型学習を適用したユーザ基盤モデルを提案する。 学習した表現が複数の下流生産タスクを改善することを示す。
  論文  参考訳（メタデータ） (2026-07-30T11:07:54Z)
• Self-supervised User Profile Generation for Personalization [29.85412538714496]
  本稿では,プロファイルを用いた双方向ユーザモデリング(BUMP)について紹介する。 BUMPは、ラベル付き報酬に依存するクローズドソースAPIや先行メソッドにマッチするか、より優れています。
  論文  参考訳（メタデータ） (2026-06-03T18:25:00Z)
• Users as Annotators: LLM Preference Learning from Comparison Mode [9.005226538625474]
  我々は、比較モードからユーザアノテーションをペアワイズに選好するデータを収集する代替手法を検討する。 ユーザの潜在品質係数を推定する予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-10-10T08:57:34Z)
• SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
  本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。 我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
  論文  参考訳（メタデータ） (2025-07-27T09:04:17Z)
• Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale [53.059480071818136]
  大規模言語モデル(LLM)は、幅広いタスクでユーザのためのパーソナライズされたアシスタントとして登場した。 PERSONAMEMは180以上のユーザ-LLMインタラクション履歴を持つキュレートされたユーザプロファイルを備えている。 LLMチャットボットのユーザプロファイルの現在状況に応じて,最も適切な応答を識別する能力を評価する。
  論文  参考訳（メタデータ） (2025-04-19T08:16:10Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
  グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。 まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。 ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
  論文  参考訳（メタデータ） (2023-10-14T14:29:52Z)

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。