論文の概要: PRISM: Personalized Item Representations in User History

• arxiv url: http://arxiv.org/abs/2610.39175v1
• Date: Thu, 29 Oct 2026 02:05:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.027619
• Title: PRISM: Personalized Item Representations in User History
• Title（参考訳）: PRISM: ユーザ履歴におけるパーソナライズされた項目表現
• Abstract要約: ユーザ履歴におけるパーソナライズされた項目表現を提案する。 各アイテムの埋め込みは、ユーザとの関係を表す。 PRISMは、上流のランキングを再利用し、パーソナライズされたアイテムの埋め込みを生成する。
• 参考スコア（独自算出の注目度）: 11.664566418231368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommenders typically construct history inputs from item identifiers or content features using an embedding map shared across users. The same item therefore yields the same initial embedding representation, even when users have different relationships to the item. We propose personalized item representations in user history, where each item's embedding expresses its relationship to the user. Personalization becomes a property of the history inputs themselves, supplying richer evidence for later sequence modeling. We instantiate this idea with PRISM, which reuses upstream ranking computation to generate personalized item embeddings. An autoencoder jointly compresses all layer states from a user tower, a user--item tower, and same-request candidate mixing into one embedding per scored pair for downstream replay. Offline evaluation on Surface 1, a major recommendation surface at billion scale, reports an average downstream normalized entropy (NE) change of $-0.15\%$, compared with $-0.07\%$ for VISTA at similar history lengths. We further identify an empirical sequence-length scaling law: over history lengths of 26--240 events, NE gain follows a fitted power law with exponent 0.468, increasing from 0.06\% to 0.17\%. Therefore, personalized item representations in user history provide a new scaling dimension for improving recommendation quality.
• Abstract（参考訳）: シークエンシャルレコメンダは通常、ユーザ間で共有される埋め込みマップを使用して、アイテム識別子やコンテンツ機能から履歴インプットを構築する。 したがって、同じアイテムは、ユーザがアイテムと異なる関係を持つ場合でも、同じ初期埋め込み表現をもたらす。 本稿では,各項目の埋め込みがユーザとの関係を表現するユーザ履歴におけるパーソナライズされた項目表現を提案する。 パーソナライゼーションは、履歴入力自体の特性となり、後続のシーケンスモデリングのためのよりリッチな証拠を提供する。 PRISMは上流のランキング計算を再利用し、パーソナライズされたアイテムの埋め込みを生成する。 オートエンコーダは、ダウンストリーム再生のために、ユーザタワー、ユーザアイコンタワー、及び同要求候補から全てのレイヤ状態を、スコアペア当たりの1つの埋め込みに混合して圧縮する。 10億ドル規模の推奨面であるSurface 1のオフライン評価では、平均下流正規化エントロピー (NE) は-0.15 %$であり、VISTAの場合-0.07 %$である。 さらに、26-240イベントの履歴長を経たNEゲインは、指数0.468の入出力法則に従っており、0.06\%から0.17\%まで増加する。 したがって、ユーザ履歴におけるパーソナライズされたアイテム表現は、推奨品質を改善するための新しいスケーリングディメンションを提供する。

関連論文リスト

• Personalized Image Generation with Reasoning and Reflection [100.4359405603136]
  ユーザ履歴からパーソナライズされた画像生成のための最初の統一されたベンチマークを導入する。 このベンチマークは、2つの補完タスクと、目標の忠実度、視覚的品質、ユーザ識別性、ユーザ履歴とのセマンティックアライメント、タスク固有のユーティリティを評価するマルチアクセント評価プロトコルから構成される。 差分データ報酬に最適化されたインターリーブ・リフレクタループにおいて,マルチモーダル推論器と凍結画像生成器を結合するPEARLを提案する。
  論文  参考訳（メタデータ） (2026-09-30T21:30:26Z)
• 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)
• SlimPer: Make Personalization Model Slim and Smart [20.68857468213109]
  SlimPer は,コンパクトで統一されたユーザ,項目> 知識基盤の反復的改良としてパーソナライズされたランキングを再構築する。 SlimPerは単一のバックボーン内でスパース、シークエンス、シークエンス機能を統一し、アテンションメカニズムを通じて固有の解釈性を提供する。
  論文  参考訳（メタデータ） (2026-07-14T02:31:32Z)
• Learning Next Action Predictors from Human-Computer Interaction [53.41504288073184]
  LongNAPは、パラメトリックとコンテキスト内学習を組み合わせて、長時間のインタラクション履歴を推論するユーザモデルである。 当社は、20ユーザーから1ヶ月の連続電話使用で360K以上のアクションをラベル付けし、1,800時間のスクリーンタイムを提供しています。 LongNAPは教師付き微調整を著しく上回り、ホールドアウトデータにベースラインを誘導する。
  論文  参考訳（メタデータ） (2026-03-06T05:31:04Z)
• Reasoning-Based Personalized Generation for Users with Sparse Data [120.94029850012045]
  スパースコンテキスト下でパーソナライズされたテキスト生成を強化する新しいフレームワークであるGraSPerを紹介する。 GraSPerは、ユーザが将来的に対話する可能性のあるアイテムを予測することで、ユーザコンテキストを初めて強化する。 推論アライメントによって、これらのインタラクションのためのテキストを生成して、拡張されたコンテキストを豊かにする。 最終的に、実際の履歴と合成履歴の両方に基づいて、パーソナライズされた出力を生成する。
  論文  参考訳（メタデータ） (2026-01-31T01:54:23Z)
• 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)
• HYDRA: Model Factorization Framework for Black-Box LLM Personalization [36.21602686505842]
  パーソナライゼーションは現代のインテリジェントシステムにおいて重要な研究領域として現れてきた。 ブラックボックスの大規模言語モデル(LLM)が示した驚くべき数ショットの能力にもかかわらず、それらのモデルパラメータの本質的な不透明さは、生成された出力を個々の期待と整合させる上で大きな課題である。 本研究では,履歴データからユーザ固有の行動パターンを抽出し,パーソナライズされた生成を提供するモデル因子化フレームワークHYDRAを提案する。
  論文  参考訳（メタデータ） (2024-06-05T03:08:46Z)
• 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)
• Incremental user embedding modeling for personalized text classification [12.381095398791352]
  個々のユーザプロファイルとインタラクション履歴は、現実世界のアプリケーションでカスタマイズされたエクスペリエンスを提供する上で重要な役割を果たす。 本稿では,ユーザの最近のインタラクション履歴を動的に統合したインクリメンタルなユーザ埋め込みモデリング手法を提案する。 Redditデータセットに基づくパーソナライズされた多クラス分類タスクに適用することで,このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-13T17:33:35Z)

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。