論文の概要: Biases in LLM-Generated Musical Taste Profiles for Recommendation
- arxiv url: http://arxiv.org/abs/2507.16708v1
- Date: Tue, 22 Jul 2025 15:44:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-23 21:34:14.190289
- Title: Biases in LLM-Generated Musical Taste Profiles for Recommendation
- Title（参考訳）: LLMによるレコメンデーションのための音楽味覚プロファイルのバイアス
- Authors: Bruno Sguerra, Elena V. Epure, Harin Lee, Manuel Moussallam,
- Abstract要約: 推奨のための大規模言語モデル(LLM)は、消費データから自然言語(NL)のユーザ嗜好プロファイルを生成することができる。
しかし、ユーザーがこれらのプロフィールを自分の好みを正確に表現しているかどうかは不明だ。
本研究では、音楽ストリーミングの文脈でこの問題について研究し、大規模で文化的に多様なカタログによってパーソナライズに挑戦する。
- 参考スコア（独自算出の注目度）: 6.482557558168364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One particularly promising use case of Large Language Models (LLMs) for recommendation is the automatic generation of Natural Language (NL) user taste profiles from consumption data. These profiles offer interpretable and editable alternatives to opaque collaborative filtering representations, enabling greater transparency and user control. However, it remains unclear whether users consider these profiles to be an accurate representation of their taste, which is crucial for trust and usability. Moreover, because LLMs inherit societal and data-driven biases, profile quality may systematically vary across user and item characteristics. In this paper, we study this issue in the context of music streaming, where personalization is challenged by a large and culturally diverse catalog. We conduct a user study in which participants rate NL profiles generated from their own listening histories. We analyze whether identification with the profiles is biased by user attributes (e.g., mainstreamness, taste diversity) and item features (e.g., genre, country of origin). We also compare these patterns to those observed when using the profiles in a downstream recommendation task. Our findings highlight both the potential and limitations of scrutable, LLM-based profiling in personalized systems.
- Abstract（参考訳）: 特に推奨されるLarge Language Models(LLMs)のユースケースは、消費データから自然言語(NL)ユーザ嗜好プロファイルの自動生成である。
これらのプロファイルは、不透明な協調フィルタリング表現の解釈可能で編集可能な代替手段を提供し、透明性とユーザコントロールを高める。
しかし、ユーザーがこれらのプロフィールを自分の好みの正確な表現とみなすかどうかは不明であり、信頼とユーザビリティにとって不可欠である。
さらに、LLMは社会的およびデータ駆動バイアスを継承するので、プロファイルの品質はユーザーやアイテムの特性によって体系的に異なる可能性がある。
本稿では、音楽ストリーミングの文脈でこの問題を考察し、大規模で文化的に多様なカタログによってパーソナライズに挑戦する。
参加者が自身のリスニング履歴から生成したNLプロファイルを評価できるユーザスタディを実施している。
プロファイルの識別がユーザ属性(例えば、主流性、味の多様性)とアイテム特徴(例えば、ジャンル、起源の国)に偏っているかどうかを分析する。
また、これらのパターンを、下流のレコメンデーションタスクでプロファイルを使用する際に観察されたパターンと比較する。
本研究は、パーソナライズされたシステムにおける、精査可能なLCMベースのプロファイリングの可能性と限界を強調した。
関連論文リスト
- LettinGo: Explore User Profile Generation for Recommendation System [45.40232561275015]
本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。
我々のフレームワークは、推奨精度、柔軟性、文脈認識を著しく向上させます。
論文 参考訳（メタデータ） (2025-06-23T05:51:52Z) - NextQuill: Causal Preference Modeling for Enhancing LLM Personalization [82.15961484963256]
因果選好モデルに基づく新しいパーソナライズフレームワークであるNextQuillを紹介する。
この洞察に基づいて、NextQuillは2つの補完的なアライメント戦略を導入した。
複数のパーソナライズベンチマークの実験により、NextQuillはパーソナライズ品質を大幅に改善することが示された。
論文 参考訳（メタデータ） (2025-06-03T02:08:55Z) - Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。
我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
論文 参考訳（メタデータ） (2025-05-01T22:02:46Z) - Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale [51.9706400130481]
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) - Optimizing Data Delivery: Insights from User Preferences on Visuals, Tables, and Text [59.68239795065175]
ユーザが質問を提示するユーザスタディを実施し、何を見たいのかを尋ねます。
ユーザの個人的特性が、彼らが好むデータ出力に影響を与えることを確認するために、このデータを使用します。
論文 参考訳（メタデータ） (2024-11-12T00:24:31Z) - Stereotype or Personalization? User Identity Biases Chatbot Recommendations [65.10885980789293]
モデルでは,ユーザが意識を意図的に明らかにしたかどうかに関わらず,人種的にステレオタイプなレコメンデーションを生成する。
チャットボットは、ユーザーが明らかにしたアイデンティティの特徴によって、いつレコメンデーションが影響されるかを透過的に示すべきであるが、現在そうしていないことを観察すべきである、と我々は主張する。
論文 参考訳（メタデータ） (2024-10-08T01:51:55Z) - PersonalLLM: Tailoring LLMs to Individual Preferences [11.717169516971856]
我々は、特定のユーザに対して最大限のメリットを提供するためにLLMを適用することに焦点を当てた、PersonalLLMという公開ベンチマークを提示する。
我々は、ユーザーが不均一な潜伏傾向を示すことを期待する高品質な回答と組み合わせたオープンエンドプロンプトをキュレートする。
私たちのデータセットと生成された個人性は、パーソナライズアルゴリズムを開発するための革新的なテストベッドを提供します。
論文 参考訳（メタデータ） (2024-09-30T13:55:42Z) - Guided Profile Generation Improves Personalization with LLMs [3.2685922749445617]
勧告、ランク付け、Eコマースプラットフォームを含む現代の商業システムでは、パーソナライズコンテキストを大型言語モデル(LLM)への入力として取り入れる傾向にある。
本稿では,自然言語で個人プロファイルを生成するための汎用手法であるGPGを提案する。
実験の結果,GAGはLLMのパーソナライズ能力を向上させることが示され,例えば,LLMを生の個人的コンテキストで直接供給するよりも,個人の嗜好を予測する上で37%の精度が向上することがわかった。
論文 参考訳（メタデータ） (2024-09-19T21:29:56Z) - Understanding the Role of User Profile in the Personalization of Large Language Models [19.74964898049076]
本研究はまず,ユーザプロファイルの有効性が主に意味情報よりもパーソナライズ情報によるものであることを確認した。
ユーザプロファイル内では、LLMをパーソナライズする上で重要な役割を果たすユーザによって作成された、あるいは承認された歴史的なパーソナライズされた応答である。
本研究は,LLMのパーソナライズにおけるユーザプロファイルの役割を明らかにし,ユーザプロファイルの導入がパフォーマンスに与える影響を明らかにした。
論文 参考訳（メタデータ） (2024-06-22T14:32:35Z) - Step-Back Profiling: Distilling User History for Personalized Scientific Writing [50.481041470669766]
大きな言語モデル(LLM)は、さまざまな自然言語処理タスクに優れていますが、個人向けにパーソナライズされたコンテンツを生成するのに苦労しています。
ユーザ履歴を簡潔なプロファイルに抽出することで,LSMをパーソナライズするためのSTEP-BACK ProFIlingを導入する。
本手法は,一般パーソナライゼーションベンチマークにおいて,ベースラインを最大3.6ポイント向上させる。
論文 参考訳（メタデータ） (2024-06-20T12:58:26Z) - 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。