論文の概要: Towards Trustworthy LLM-Based Recommendation via Rationale Integration

• arxiv url: http://arxiv.org/abs/2601.02364v1
• Date: Fri, 07 Nov 2025 08:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.48358
• Title: Towards Trustworthy LLM-Based Recommendation via Rationale Integration
• Title（参考訳）: LLMをベースとしたRationale統合によるレコメンデーションに向けて
• Authors: Chung Park, Taesan Kim, Hyeongjun Yun, Dongjoon Hong, Junui Hong, Kijung Park, MinCheol Cho, Mira Myong, Jihoon Oh, Min sung Choi,
• Abstract要約: LLMに基づくレコメンデータ(LLM-Rec)を提案する。 提案手法では,自己アノテートされた有理数データセットと,有理数ファースト形式の命令チューニングを利用する。 Amazon Reviewデータセットのファッションと科学ドメインに関する実験は、確立されたベースラインよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 1.9124955180802976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional recommender systems (RS) have been primarily optimized for accuracy and short-term engagement, often overlooking transparency and trustworthiness. Recently, platforms such as Amazon and Instagram have begun providing recommendation rationales to users, acknowledging their critical role in fostering trust and enhancing engagement; however, most existing systems still treat them as post-hoc artifacts. We propose an LLM-based recommender (LLM-Rec) that not only predicts items but also generates logically grounded rationales. Our approach leverages a self-annotated rationale dataset and instruction tuning in a rationale-first format, where the model generates an explanation before outputting the recommended item. By adopting this strategy and representing rationales in a chain-of-thought (CoT) style, LLM-Rec strengthens both interpretability and recommendation performance. Experiments on the Fashion and Scientific domains of the Amazon Review dataset demonstrate significant improvements over well-established baselines. To encourage reproducibility and future research, we publicly release a rationale-augmented recommendation dataset containing user histories, rationales, and recommended items.
• Abstract（参考訳）: 従来のレコメンデータシステム(RS)は、主に正確性と短期的なエンゲージメントのために最適化されており、しばしば透明性と信頼性を見落としている。 最近、AmazonやInstagramのようなプラットフォームは、信頼の促進とエンゲージメントの強化における重要な役割を認めながら、ユーザにレコメンデーションの合理性を提供し始めているが、既存のシステムの多くは、依然としてポストホックなアーティファクトとして扱う。 LLMに基づくレコメンデータ(LLM-Rec)を提案する。 提案手法では,提案する項目を出力する前に,モデルが説明を生成する合理化ファースト形式で,自己アノテートされた有理化データセットと命令チューニングを利用する。 この戦略を採用し、CoTスタイルで合理性を表現することで、LLM-Recは解釈可能性とレコメンデーションパフォーマンスの両方を強化します。 Amazon Reviewデータセットのファッションと科学ドメインに関する実験は、確立されたベースラインよりも大幅に改善されている。 再現性の向上と今後の研究を促進するため,ユーザ履歴,合理性,推奨項目を含む有理拡張レコメンデーションデータセットを公開している。

関連論文リスト

• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• OneRec-Think: In-Text Reasoning for Generative Recommendation [55.53292983432484]
  OneRec-Thinkは、対話、推論、パーソナライズされたレコメンデーションをシームレスに統合する統合フレームワークである。 提案した"Think-Ahead"アーキテクチャは,クアイショーの産業展開を効果的に実現し,app Stay Timeの0.159%のアップを実現している。
  論文  参考訳（メタデータ） (2025-10-13T17:20:13Z)
• Towards Comprehensible Recommendation with Large Language Model Fine-tuning [41.218487308635126]
  本稿では,コラボレーティブ・パースペクティブ・フレームワーク(CURec)によるレコメンデーションシステムのための新しいコンテンツ理解手法を提案する。 Curecは、より包括的なレコメンデーションのために、協調的なコンテンツ機能を生成する。 公開ベンチマークの実験では、既存の方法よりもCURecの方が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-08-11T03:55:31Z)
• R$^2$ec: Towards Large Recommender Models with Reasoning [59.32598867813266]
  R$2$ecは、本質的な推論能力を持つ統一された大型レコメンデータモデルである。 R$2$ecは、推論チェーン生成と効率的なアイテム予測の両方を単一のモデルでサポートするデュアルヘッドアーキテクチャを導入している。 注釈付き推論データの欠如を克服するため、強化学習フレームワークであるRecPOを設計する。
  論文  参考訳（メタデータ） (2025-05-22T17:55:43Z)
• RDRec: Rationale Distillation for LLM-based Recommendation [3.7623606729515133]
  本稿では,より大きな言語モデル(LM)が生成する合理性を学習するためのコンパクトモデルを提案する。 ユーザやアイテムに関するレビューの合理性を活用することで、RDRecはレコメンデーションのためにプロファイルを明確に指定する。 実験により、RDRecはトップNとシーケンシャルレコメンデーションの両方で最先端(SOTA)のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-05-17T07:22:02Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。