この記事では、ユーザーの多様な嗜好に基づいた大規模言語モデル（LLM）の選択を最適化する新たなフレームワーク「PersonalizedRouter」を提案しています。従来のLLM選択法は固定された目的（性能、コストなど）の最適化に依存しており、個々のユーザーの嗜好を考慮していませんでした。PersonalizedRouterは、ユーザーのインタラクションデータを用いて、ユーザープロファイルをモデル化し、多様なLLMの中から適切なものを選定します。具体的には、ユーザーのクエリやタスクコンテキストを含むデータをヘテロジニアスグラフに変換し、ノード間の関係をエッジで表現します。実験結果では、PersonalizedRouterが既存の選択法に対して大幅に性能を上回ることが示されており、特に新しいユーザーやLLMへの適応においても高い汎化能力を発揮することが確認されています。