論文の概要: RALI@iKAT 2026: Retrieval-aware User Profile Denoising via Personalized Conversational Dense Retrieval
- arxiv url: http://arxiv.org/abs/2610.17673v1
- Date: Tue, 13 Oct 2026 03:59:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 17:49:26.561733
- Title: RALI@iKAT 2026: Retrieval-aware User Profile Denoising via Personalized Conversational Dense Retrieval
- Title（参考訳）: RALI@iKAT 2026:Retrieval-aware User Profile Denoising via Personalized Conversational Dense Retrieval
- Abstract要約: 我々は,会話履歴とユーザプロファイルを協調的に検索専用の潜伏埋め込み空間に投影するパーソナライズされた会話検索(PCDR)を提案する。
会話の密集した検索者からコンテキスト記述機能を継承することで、PCDRはトレーニングのためのパーソナライズされた関連アノテーションをわずかに必要とします。
iKAT 2026タスク上でPCDRを評価し,複雑な情報を必要とするユーザを支援する対話型AIエージェントのコア検索コンポーネントとして機能する。
- 参考スコア（独自算出の注目度）: 30.00056272566737
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern conversational information access systems continuously extract user information from conversations to build user profiles for personalized retrieval. As user profiles accumulate over time, they inevitably become noisy, making effective user profile denoising a fundamental challenge. Existing personalized conversational query reformulation methods rely on the black-box reasoning capability of LLMs to expand the original query with relevant user profile phrases, producing a verbose query for retrieval. Such rewrite-then-retrieve pipelines reduce user profile denoising to the explicit selection of profile phrases in the sparse token space, separating personalization from downstream relevance modeling. Consequently, they often fail to identify user information that is truly beneficial for retrieval. To enable retrieval-aware user profile denoising, we propose Personalized Conversational Dense Retrieval (PCDR), which learns to jointly project the conversation history and user profile into a latent embedding space dedicated to retrieval. By inheriting the context denoising capability from conversational dense retrievers, PCDR requires only a handful of personalized relevance annotations for training. We evaluate PCDR on the iKAT 2026 tasks, where it serves as the core retrieval component of a conversational AI agent assisting users with complex information needs.
- Abstract（参考訳）: 現代の会話情報アクセスシステムは、会話からユーザ情報を継続的に抽出し、パーソナライズされた検索のためのユーザプロファイルを構築する。
ユーザープロフィールが時間の経過とともに蓄積されるにつれて、それは必然的にうるさくなり、効果的なユーザープロフィールが根本的な課題となる。
既存のパーソナライズされた対話型クエリ再構成手法は、LLMのブラックボックス推論機能を利用して、元のクエリを関連するユーザプロファイルフレーズに拡張し、検索のための冗長なクエリを生成する。
このようなリライト・then-retrieveパイプラインは、スパーストークン空間におけるプロファイルフレーズの明示的な選択によってユーザプロファイルを減らし、ダウンストリーム関連モデリングからパーソナライズを分離する。
そのため、検索に本当に有益であるユーザ情報の特定に失敗することが多い。
そこで本研究では,会話履歴とユーザプロファイルを,検索専用の潜伏埋め込み空間に共同で投影することを学ぶ,パーソナライズされた会話意識検索(PCDR)を提案する。
会話の密集した検索者からコンテキスト記述機能を継承することで、PCDRはトレーニングのためのパーソナライズされた関連アノテーションをわずかに必要とします。
iKAT 2026タスク上でPCDRを評価し,複雑な情報を必要とするユーザを支援する対話型AIエージェントのコア検索コンポーネントとして機能する。
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) - 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) - Learning to Reason for Multi-Step Retrieval of Personal Context in Personalized Question Answering [39.08300602619814]
QA(Personalization in Question Answering)は、ユーザーの背景、好み、歴史的文脈に合致した正確で正確な回答を必要とする。
個人化のための個人的コンテキストからの推論と検索を統合した強化学習フレームワークPR2を提案する。
論文 参考訳（メタデータ） (2026-02-22T19:43:43Z) - PrLM: Learning Explicit Reasoning for Personalized RAG via Contrastive Reward Optimization [4.624026598342624]
検索したユーザプロファイルを明示的に推論するために,LLMをトレーニングする強化学習フレームワークであるPrLMを提案する。
PrLMは、注釈付き推論パスを必要とせずに、ユーザの応答から効果的に学習する。
3つのパーソナライズされたテキスト生成データセットの実験は、PrLMが既存の手法より優れていることを示している。
論文 参考訳（メタデータ） (2025-08-10T13:37:26Z) - 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) - RALI@TREC iKAT 2024: Achieving Personalization via Retrieval Fusion in Conversational Search [24.464088639113417]
パーソナライズされた検索では、ユーザの複雑な検索意図を効果的にキャプチャするには、ユーザプロファイルからコンテキスト情報とキー要素の両方をクエリ再構成に組み込む必要がある。
これはオーバーパーソナライゼーション(over-personalization)という課題です。
そこで本研究では,クエリから生成したランキングリストを,パーソナライズレベルの違いで融合させることにより,異なる戦略を提案する。
論文 参考訳（メタデータ） (2024-12-11T00:44:52Z) - 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) - Apollonion: Profile-centric Dialog Agent [9.657755354649048]
本稿では,ユーザプロファイリング(初期化,更新)を組み込むダイアログエージェントのフレームワークを提案する。
本稿では,パーソナライズのための一連の評価プロトコルを提案する。
論文 参考訳（メタデータ） (2024-04-10T03:32:41Z) - History-Aware Conversational Dense Retrieval [31.203399110612388]
本稿では,コンテキスト依存型クエリ再構成と監視信号の自動マイニングという2つのアイデアを取り入れた,履歴認識型会話用Dense Retrieval(HAConvDR)システムを提案する。
2つの公開対話型検索データセットの実験は、HAConvDRの履歴モデリング機能の改善を実証している。
論文 参考訳（メタデータ） (2024-01-30T01:24:18Z) - A Cooperative Memory Network for Personalized Task-oriented Dialogue
Systems with Incomplete User Profiles [55.951126447217526]
ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。
ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。
CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
論文 参考訳（メタデータ） (2021-02-16T18:05:54Z)
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。