論文の概要: Routing Between Generative and Collaborative User Profiles: A Serving-Time Gate for Controllable Novelty

• arxiv url: http://arxiv.org/abs/2609.39043v1
• Date: Wed, 30 Sep 2026 05:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.246361
• Title: Routing Between Generative and Collaborative User Profiles: A Serving-Time Gate for Controllable Novelty
• Title（参考訳）: 生成的ユーザプロファイルと協調的ユーザプロファイルのルーティング: 制御可能な新規性のための実時間ゲート
• Abstract要約: 大きな言語モデル(LLM)は、推薦のためのリッチなセマンティックユーザプロファイルを可能にする。 LLMはより高価であり、必ずしも均一にデプロイすることが望ましいわけではない。 LLMの生成したプロファイルが、プロダクションレコメンデーションパイプライン内で選択的に呼び出されるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 1.1024591739346294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) enable rich semantic user profiles for recommendation, but such profiles are more expensive to generate and are not necessarily desirable to deploy uniformly. We study whether LLM-generated profiles can instead be invoked selectively within a production recommendation pipeline. Using a real-world streaming dataset covering movies, TV shows, and sports content, we train a serving-time routing gate that assigns each user to either a collaborative sequential recommendation model or a recommendation model driven by an LLM-generated profile. The gate uses only serving-time features and learns to identify users for whom profile-based routing can increase Novelty@10 while preserving ranking relevance. A routing threshold controls how aggressively users are sent to the generative model, exposing a tunable novelty--relevance trade-off. At an overall NDCG-loss budget of 5\%, the learned gate increases Novelty@10 by 6.5\% while routing 12.5\% of users, outperforming simple heuristic and random routing policies at comparable relevance cost. These results show that LLM-generated user profiles can serve as a controllable complement to collaborative recommendation, while results with non-generative semantic profiles indicate that the benefit stems from selective routing rather than LLM generation alone.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、推奨のためにリッチなセマンティックなユーザプロファイルを可能にするが、そのようなプロファイルは生成にコストがかかり、一様にデプロイすることが必ずしも必要ではない。 LLMの生成したプロファイルが、プロダクションレコメンデーションパイプライン内で選択的に呼び出されるかどうかを検討する。 映画、テレビ番組、スポーツコンテンツをカバーする実世界のストリーミングデータセットを用いて、各ユーザを協調的なシーケンシャルレコメンデーションモデルまたはLLM生成プロファイルによって駆動されるレコメンデーションモデルに割り当てるサーブタイムルーティングゲートをトレーニングする。 このゲートはサービスタイム機能のみを使用し、プロフィールベースのルーティングでNoverety@10が増加し、ランキングの関連性を維持しているユーザを特定する。 ルーティングしきい値は、ユーザがいかに積極的に生成モデルに送信され、調整可能なノベルティ-関連トレードオフを公開するかを制御する。 NDCG-loss 予算全体の 5 % において、学習ゲートはノベルティ@10 を 6.5 % 増加させ、ユーザの 12.5 % をルーティングする。 これらの結果から,LLM 生成したユーザプロファイルは協調的推薦の制御可能な補完として機能し,非生成的セマンティックプロファイルの結果から LLM 生成のみではなく選択的ルーティングによるメリットが示唆された。

関連論文リスト

• RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation [74.86562505934961]
  言語ベースのユーザプロファイルは、長い行動履歴をレコメンデーションのために明示的な意味表現に変換する。 そこでは,ストリームやプロファイルの更新を限定的に行うことで,ユーザの行動が継続的に到着する,実世界のショートビデオレコメンデーションにおいて,この問題について検討する。 本稿では,ストリーミング構造化されたセマンティックプロファイルを過去のレコメンデーションフィードバックで最適化するためのオフラインクローズドループフレームワークRECAPを提案する。
  論文  参考訳（メタデータ） (2026-07-17T08:10:37Z)
• Learning to Route LLMs from Implicit Cost-Performance Preferences via Meta-Learning [8.795547377156174]
  大規模言語モデル(LLM)は、パフォーマンスとコストのトレードオフを示し、より強力なモデルによってコストが増大する。 既存の手法は、異なるユーザコストパフォーマンスの好みに対してうまく機能しない。 本稿では,パーソナライズおよびユーザ中心のコストパフォーマンス最適化のための新しいLLMルーティングパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-06-04T13:53:03Z)
• 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)
• Optimizing User Profiles via Contextual Bandits for Retrieval-Augmented LLM Personalization [27.490675380289318]
  関連性はユーティリティの信頼性の低いプロキシとして機能する、と私たちは主張する。 Llm pErsonalization のために UseR Profiles をoPtimizeする文脈的帯域幅フレームワーク PURPLE を提案する。 PURPLEは、最も関連性の高いレコードの欲求選択とは対照的に、プロファイル構築をセット生成プロセスとして扱う。
  論文  参考訳（メタデータ） (2026-01-17T15:05:36Z)
• PersonalizedRouter: Personalized LLM Routing via Graph-based User Preference Modeling [21.94491843046055]
  多様なユーザプロファイルをモデル化し,パーソナライズされたLLM選択を行うグラフベースのフレームワークであるPersonalizedを提案する。 ユーザクエリと最適なLLM間のコンテキスト情報をキャプチャするために、Personalizedはインタラクションデータを異種グラフに変換する。 実験の結果,パーソナライズドは既存のLCM選択法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-11-21T01:19:34Z)
• GMTRouter: Personalized LLM Router over Multi-turn User Interactions [21.214827743968915]
  GMTは、4つのノードタイプを持つ不均一グラフとしてマルチターンユーザ-LLM相互作用を表す。 軽量なインダクティブグラフ学習フレームワーク内で、数ショットのデータからユーザの好みをキャプチャする。 大規模な実験により、GMTは強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-29T03:45:43Z)
• 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)
• 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)
• Prompt Tuning as User Inherent Profile Inference Machine [68.16976932088708]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 UserIP-Tuningは最先端のレコメンデーションアルゴリズムより優れている。 提案されたソリューションは2025年5月からHuawei AppGalleryのExploreページにデプロイされている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Guiding Large Language Models via Directional Stimulus Prompting [114.84930073977672]
  我々は,特定の所望の出力に対して,ブラックボックス大言語モデル(LLM)を導くための新しいフレームワークであるDirectional Stimulus Promptingを紹介する。 LLMを直接調整するのではなく、小さな調整可能なポリシーモデルを用いて各入力インスタンスに対して補助的な指向性刺激プロンプトを生成する。
  論文  参考訳（メタデータ） (2023-02-22T17:44:15Z)

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。