論文の概要: TRACE: Tourism Recommendation with Accountable Citation Evidence

• arxiv url: http://arxiv.org/abs/2605.07677v1
• Date: Fri, 08 May 2026 12:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.049069
• Title: TRACE: Tourism Recommendation with Accountable Citation Evidence
• Title（参考訳）: TRACE:カウンタブル・サイテーション・エビデンスによる観光勧告
• Authors: Zixu Zhao, Sijin Wang, Yu Hou, Yuanyuan Xu, Yufan Sheng, Xike Xie, Wenjie Zhang, Won-Yong Shin, Xin Cao,
• Abstract要約: TRACEでは,各項目が複数ターンの観光レコメンデーションダイアログであり,レビュー・スパンの引用と明示的な拒絶のターンがある。 米国8都市で2,400のPOIと34,208のレビューで1万の対話があり、14の検索、計画、LLMベースラインが組み合わされた。 LLM Zero-ShotはクローズドセットのRecall@1とリジェクションリカバリをリードするが、レトリバーよりも密度が低い。
• 参考スコア（独自算出の注目度）: 29.826237475668805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tourism is a high-stakes setting for conversational recommender systems (CRS): a plausible-sounding suggestion can waste real money and trip time once a traveler acts on it. Existing CRS benchmarks primarily evaluate systems with a single Recall@k score over entity mentions, and tourism-specific resources add spatial or knowledge-graph context, yet none of them couple multi-turn recommendation with verbatim review-span evidence and rejection recovery. This leaves an evaluation gap for tourism recommendation that is simultaneously trustworthy, verifiable, and adaptive: recommend the right point of interest (POI) for multi-aspect preferences (such as cuisine, price, atmosphere, walking distance), justify each suggestion with verifiable evidence from prior visitors so the traveler can act without trial and error, and recover when the first recommendation is rejected mid-dialogue. We introduce TRACE, where each item is a multi-turn tourism recommendation dialogue with review-span citations and explicit rejection turns: 10,000 dialogues over 2,400 Yelp POIs and 34,208 reviews across eight U.S. cities, paired with 14 retrieval, planning, and LLM baselines, along with 25 metrics organized under Accuracy, Grounding, and Recovery. Across these baselines, TRACE reveals the Three-Competency Gap: LLM Zero-Shot leads in closed-set Recall@1 and rejection recovery but cites less densely than retrievers; non-LLM retrievers achieve surface-verbatim grounding but with low accuracy; Multi-Review Synthesis fails at recovery. The Grounding Score agrees with human citation precision (Spearman rho=+0.80, p<10^-20), and paired t-tests reproduce the per-baseline ranking (p<0.01 on the dominant contrasts). TRACE reframes accountable tourism recommendation as a joint target (right POI, verifiable evidence, adaptive repair) rather than a single-axis leaderboard.
• Abstract（参考訳）: 観光は会話レコメンデーションシステム(CRS)の高精細な設定であり、旅行者が行動したときの実際のお金と旅行時間を浪費することができる。 既存のCRSベンチマークは、エンティティの言及よりも単一のRecall@kスコアを持つシステムを評価し、観光特化リソースは空間的または知識グラフのコンテキストを追加するが、いずれも冗長なレビュースパンエビデンスと拒否リカバリを備えたマルチターンレコメンデーションを組み合わせない。 これは、多面的な嗜好(料理、価格、雰囲気、歩行距離など)に対する適切な関心点(POI)を推薦し、事前のビジターからの検証済みの証拠で各提案を正当化し、旅行者が試行錯誤なしに行動できるようにし、第一のレコメンデーションが中間対話で拒否されたときに回復する、という、同時に信頼できる、検証可能な、適応可能な観光レコメンデーションに対する評価ギャップを残している。 1万件のYelp POIと34,208件のレビューを米国8都市で実施し、14件の検索、計画、LCMベースラインと組み合わせ、精度、グラウンディング、リカバリに基づいて25件のメトリクスを収集した。 LLM Zero-ShotはクローズドセットのRecall@1とリジェクションリカバリをリードするが、レトリバーよりも密度が低い。 グラウンドリングスコアは、ヒトの引用精度(Spearman rho=+0.80, p<10^-20)に一致し、ペアのt検定では、基準線当たりのランク(p<0.01)を再現する。 TRACEは、単一軸のリーダーボードではなく、共同ターゲット(右POI、検証済みの証拠、適応的な修復)として、説明可能な観光勧告を見直している。

関連論文リスト

• RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents [144.5598958575922]
  Re-TRACはクロス軌道探索を行うエージェントフレームワークである。 Re-TRAC は BrowseComp とフロンティア LLM で連続して ReAct を 15-20% 上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-02T18:58:07Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• Rec-R1: Bridging Generative Large Language Models and User-Centric Recommendation Systems via Reinforcement Learning [13.642017219922238]
  Rec-R1は大規模言語モデル(LLM)をクローズドループ最適化を通じてレコメンデーションシステムでブリッジする。 プロンプトや教師付き微調整(SFT)とは異なり、Rec-R1は固定ブラックボックスレコメンデーションモデルからのフィードバックを使って直接LLM生成を最適化する。
  論文  参考訳（メタデータ） (2025-03-31T16:36:00Z)
• Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large Language Model Recommendation [52.62492168507781]
  LLM(FaiRLLM)を用いたFairness of Recommendationと呼ばれる新しいベンチマークを提案する。 このベンチマークは、慎重に作成されたメトリクスと、8つの機密属性を考慮に入れたデータセットで構成されている。 FaiRLLMベンチマークを用いて、ChatGPTの評価を行い、レコメンデーションを生成する際には、いくつかの機密属性に対して不公平であることがわかった。
  論文  参考訳（メタデータ） (2023-05-12T16:54:36Z)
• Recommending POIs for Tourists by User Behavior Modeling and Pseudo-Rating [3.839157829013354]
  観光客の多くは一度に数カ所の観光地を訪れており、これらのほとんどは新規観光客からのチェックインデータを持っていない。 従来のシステムでは、利用者の嗜好と人気、評判、カテゴリーに基づく類似性に基づいて観光スポットをランク付けしている。 観光客にPOIを推奨するメカニズムを提案する。
  論文  参考訳（メタデータ） (2021-10-13T06:21:41Z)

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。