論文の概要: PAIR: Preference-Aligned Intent Retrieval for Premium People Recommendation at LinkedIn
- arxiv url: http://arxiv.org/abs/2610.30941v1
- Date: Thu, 22 Oct 2026 08:57:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.291327
- Title: PAIR: Preference-Aligned Intent Retrieval for Premium People Recommendation at LinkedIn
- Title（参考訳）: PAIR: LinkedInで推奨されるプレミアム人材の推奨インテント検索
- Abstract要約: プロファイルの類似性に基づいて訓練された汎用的な埋め込みは、プロのネットワークでしばしば候補者を間違える。
プロファイルの類似性ではなく,ユーザの好みをモデル化する検索フレームワークであるPreference-Aligned Intent Retrievalを提案する。
- 参考スコア（独自算出の注目度）: 6.900522716622354
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: General-purpose embeddings trained on profile similarity often misrank candidates in professional networks, where relevance is inherently complementary rather than symmetric. For example, job seekers usually engage with recruiters rather than peers with similar credentials. Current user recommendation systems are often built on profile similarity or social signals such as shared connections, which are effective in friend-oriented social networks where users tend to connect with similar people or within existing social circles. However, this does not hold in professional platforms like LinkedIn, where interactions are often goal-driven and cross-role interactions, requiring matching based on complementary intents rather than similarity or social proximity. In this paper, we propose Preference-Aligned Intent Retrieval, a retrieval framework that is designed to model user intent preference instead of profile similarity. Our approach is inspired by the preference-learning perspective of Direct Preference Optimization, but instantiates preference learning as an exposure-conditioned multi-negative contrastive objective over embeddings. This formulation simplifies training and scales efficiently to large candidate sets without requiring an explicit reference model. Furthermore, we incorporate user interaction history by aggregating click histories with positional encoding to capture temporal order, which enables constant-cost updates of user representations over a fixed history window, allowing new interactions to be incorporated without re-encoding history. As a result, personalization can be updated efficiently using lightweight CPU operations without repeated LLM inference during serving. We evaluate PAIR on LinkedIn's Premium retrieval task. A 0.6B parameter model achieves a MAR@100 of 0.45.
- Abstract（参考訳）: プロファイルの類似性に基づいて訓練された汎用的な埋め込みは、しばしばプロフェッショナルネットワークの候補者を誤解させ、関連性は対称ではなく本質的に相補的である。
例えば、求職者は通常、同様の資格を持つピアではなく、リクルート担当者と仕事をする。
現在のユーザレコメンデーションシステムは、プロフィールの類似性や、共有接続のようなソーシャルシグナルに基づいて構築されることが多い。
しかし、LinkedInのようなプロフェッショナルなプラットフォームでは、インタラクションは多くの場合、目標駆動とクロスロールのインタラクションであり、類似性や社会的近接性ではなく、補完的な意図に基づくマッチングを必要とする。
本稿では,プロファイルの類似性ではなく,ユーザの好みをモデル化する検索フレームワークであるPreference-Aligned Intent Retrievalを提案する。
提案手法は, 直接選好最適化の選好学習的視点から着想を得たものである。
この定式化は訓練を単純化し、明示的な参照モデルを必要としない大きな候補集合に効率的にスケールする。
さらに、ユーザインタラクション履歴を、位置エンコーディングで集約して時間順をキャプチャすることで、固定された履歴ウィンドウ上でのユーザ表現のコンスタントなコスト更新を可能にし、新しいインタラクションを、履歴を再エンコードすることなく組み込むことができる。
これにより、サービス中に繰り返しLLM推論を行うことなく、軽量CPU操作を用いてパーソナライズを効率的に更新することができる。
我々は、LinkedInのPremium検索タスク上でPAIRを評価する。
0.6B のパラメータモデルは 0.45 の MAR@100 を達成する。
関連論文リスト
- CoPersona: Collaborative Persona Graphs for Robust LLM Personalization [23.806839397228988]
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。
論文 参考訳（メタデータ） (2026-07-01T21:27:52Z) - 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) - 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) - 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) - Learning from Reference Answers: Versatile Language Model Alignment without Binary Human Preference Data [56.44985139322512]
RefAlignは、報酬モデルや参照モデルに依存しない汎用的なREINFORCEスタイルのアライメントアルゴリズムである。
報酬モデルや参照モデルに依存しない汎用REINFORCEスタイルアライメントアルゴリズムである textitRefAlign を導入する。
論文 参考訳（メタデータ） (2025-04-14T05:43:21Z) - Beyond Similarity: Personalized Federated Recommendation with Composite Aggregation [22.359428566363945]
フェデレーションレコメンデーションは、大規模なデバイスからローカルモデルを集約することで、グローバルな知識を集めることを目的としている。
現在の手法は主に、連合視覚コミュニティによって発明された集約関数を利用して、類似したクライアントからのパラメータを集約する。
複合アグリゲーション(FedCA)を用いたパーソナライズド・フェデレーション・レコメンデーション・モデルを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:17:52Z) - Our Model Achieves Excellent Performance on MovieLens: What Does it Mean? [43.3971105361606]
我々は、MovieLensデータセットの綿密な分析を行う。
MovieLensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがある。
そこで本研究では,MovieLensシステムで使用されるインタラクション生成機構と,一般的な実世界のレコメンデーションシナリオとの相違について論じる。
論文 参考訳（メタデータ） (2023-07-19T13:44:32Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - A Soft Recommender System for Social Networks [1.8275108630751844]
最近のソーシャルレコメンデーションシステムは、正確なレコメンデーションを行うために友情グラフの恩恵を受けている。
われわれはさらに一歩進んで、もっとリアルなリコメンデーションをする真の友達を特定した。
ユーザ間の類似度と,ユーザとアイテム間の依存関係を計算した。
論文 参考訳（メタデータ） (2020-01-08T13:38:09Z)
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。