論文の概要: SteerEval: A Framework for Evaluating Steerability with Natural Language Profiles for Recommendation

• arxiv url: http://arxiv.org/abs/2601.21105v1
• Date: Wed, 28 Jan 2026 22:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.470801
• Title: SteerEval: A Framework for Evaluating Steerability with Natural Language Profiles for Recommendation
• Title（参考訳）: SteerEval:レコメンデーションのための自然言語プロファイルによるステアビリティ評価フレームワーク
• Authors: Joyce Zhou, Weijie Zhou, Doug Turnbull, Thorsten Joachims,
• Abstract要約: 既存のステアビリティ評価は、ステアビリティレコメンデーションを動機づけるユーザコントロールのリッチな形態を捉えていない、と我々は主張する。 我々は、よりニュアンスで多様なステアビリティーの形式を測定するために設計された評価フレームワークであるSteerEvalを紹介した。
• 参考スコア（独自算出の注目度）: 16.901732684002308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural-language user profiles have recently attracted attention not only for improved interpretability, but also for their potential to make recommender systems more steerable. By enabling direct editing, natural-language profiles allow users to explicitly articulate preferences that may be difficult to infer from past behavior. However, it remains unclear whether current natural-language-based recommendation methods can follow such steering commands. While existing steerability evaluations have shown some success for well-recognized item attributes (e.g., movie genres), we argue that these benchmarks fail to capture the richer forms of user control that motivate steerable recommendations. To address this gap, we introduce SteerEval, an evaluation framework designed to measure more nuanced and diverse forms of steerability by using interventions that range from genres to content-warning for movies. We assess the steerability of a family of pretrained natural-language recommenders, examine the potential and limitations of steering on relatively niche topics, and compare how different profile and recommendation interventions impact steering effectiveness. Finally, we offer practical design suggestions informed by our findings and discuss future steps in steerable recommender design.
• Abstract（参考訳）: 自然言語のユーザプロファイルは、最近、解釈可能性の向上だけでなく、レコメンダシステムをより安定させる可能性にも注目されている。 自然言語プロファイルを直接編集することで、ユーザーは過去の行動から推測することが困難な好みを明確に表現することができる。 しかし、現在の自然言語ベースのレコメンデーション手法がそのようなステアリングコマンドに従えるかどうかは不明である。 既存のステアビリティ評価は、よく認識されたアイテム属性(例えば映画ジャンル)に対していくつかの成功例を示してきたが、これらのベンチマークは、ステアビリティなレコメンデーションを動機付ける、よりリッチなユーザコントロールの形式を捉えていないと論じている。 このギャップに対処するために,映画におけるジャンルからコンテンツ警告まで幅広い介入を用いて,より微妙で多様な聴取可能性を測定するための評価フレームワークであるSteerEvalを紹介した。 我々は,事前訓練された自然言語推薦者の家族の運営可能性を評価し,比較的ニッチなトピックにおけるステアリングの可能性と限界について検討し,異なるプロファイルとレコメンデーションの介入がステアリングの有効性に与える影響を比較した。 最後に,本研究の成果から得られた実用的な設計提案を提示し,ステアブル・レコメンデータ設計における今後のステップについて考察する。

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)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• Preference Discerning with LLM-Enhanced Generative Retrieval [23.559962422900238]
  逐次レコメンデーションでは、モデルがユーザのインタラクション履歴に基づいたアイテムを推奨する。 本稿では,ユーザの嗜好を生成的レコメンデーションモデルに明示的に規定する,選好識別という新たなパラダイムを提案する。 以上の結果から,Menderはトレーニング中に観察されなかったとしても,ヒトの嗜好によって指導される推奨に効果的に適応することが示された。
  論文  参考訳（メタデータ） (2024-12-11T18:26:55Z)
• Unintended Impacts of LLM Alignment on Global Representation [62.6579934112071]
  開発者は、RLHF(Reinforcement Learning From Human Feedback)やDPO(Direct Preference Optimization)など、様々な手順で、大規模言語モデル(LLM)をユーザの好みに合わせることができる。 我々は、アライメントが、グローバルな表現の3つの軸、すなわち、英語方言、多言語主義、世界各国の意見にどのように影響するかを探求する。 これらの意図しない影響に繋がる設計決定と、より公平な選好チューニングの推奨を議論することで、私たちは結論付けました。
  論文  参考訳（メタデータ） (2024-02-22T23:31:22Z)
• Reformulating Sequential Recommendation: Learning Dynamic User Interest with Content-enriched Language Modeling [18.297332953450514]
  本稿では、事前学習した言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成するLANCERを提案する。 我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間的なレコメンデーションを生み出します。
  論文  参考訳（メタデータ） (2023-09-19T08:54:47Z)
• Knowledge-grounded Natural Language Recommendation Explanation [11.58207109487333]
  自然言語の説明可能なレコメンデーションに対する知識グラフ(KG)アプローチを提案する。 提案手法は,新しいコラボレーティブフィルタリングに基づくKG表現により,ユーザイテムの特徴を引き出す。 実験結果から,提案手法は,従来の自然言語説明推薦モデルよりも一貫して優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-08-30T07:36:12Z)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• 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。