SensorPersona：長期のモバイル・センサ・ストリームから継続的にパーソナを抽出するための、LLM活用システム

Abstract

パーソナライゼーションは、大規模言語モデル（LLM）ベースのエージェントがユーザの嗜好に適応し、応答品質とタスク遂行性能を向上させるために不可欠である。しかし、既存の多くの手法はチャット履歴からパーソナを推定しており、これは物理世界におけるユーザの日常的な行動を捉えるのではなく、ユーザ自身が開示した情報のみを記録する。そのため、包括的なユーザ・パーソナを推定する能力が制限される。本研究では、モバイル端末からユーザに気付かれない形で収集されたマルチモーダルの時系列センサストリームから、ユーザの安定したパーソナを継続的に推定する、LLM搭載システム SensorPersona を提案する。SensorPersona はまず、連続するセンサストリームに対して人物志向のコンテキストエンコーディングを実行し、センサコンテキストの意味論を豊かにする。次に、エピソード内推論とエピソード間推論を統合する階層的パーソナ推論を用いて、身体的パターン、心理社会的特性、生活経験にまたがるパーソナを推定する。最後に、クラスタリングを考慮した増分検証と、時間的根拠を考慮した更新を用いて、変化するパーソナに適応する。自己収集したデータセットで SensorPersona を評価する。このデータセットには、3つの大陸にまたがる17の都市で、最大3か月にわたって収集した20人の参加者からの1,580時間分のセンサデータを含む。結果は、SensorPersona がパーソナ抽出において最大31.4%の想起率向上を達成し、パーソナに配慮したエージェント応答において85.7%の勝率を示し、さらに最先端のベースラインと比較してユーザ満足度において顕著な改善をもたらすことを示している。