論文の概要: Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback

• arxiv url: http://arxiv.org/abs/2605.29141v1
• Date: Wed, 27 May 2026 22:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 00:00:30.934401
• Title: Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback
• Title（参考訳）: 明示的文脈フィードバックによるLLM勧告におけるユーザの嗜好調整に向けて
• Authors: Weizhi Zhang, Wooseong Yang, Yuxin Cui, Zhaohui Guo, Hins Hu, Liangwei Yang, Henry Peng Zou, Qifei Wang, Hanqing Zeng, Jiayi Liu, Yinglong Xia, Philip S. Yu,
• Abstract要約: 我々は,次世代のLarge Language Models(LLM)ベースのRecSysにおいて,明示的な文脈フィードバックの優先順位付けを提唱する。 よりパーソナライズされ、透明で、説明可能なRecSysオンラインプラットフォームを促進することを目指している。
• 参考スコア（独自算出の注目度）: 46.88440233575785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional recommender systems (RecSys) primarily infer user preferences from implicit signals (such as clicks, watches, and purchases), often neglecting the rich explicit contextual feedback users provide through verbal text, like comments and reviews. This explicit context feedback captures the nuanced reasons behind user decisions regarding their preferences. In addition, it offers critical heterogeneous information for user preference alignment and more explainable recommendations. Overlooking such signals can lead to misaligned user preferences and further reinforce filter bubbles, as algorithms fail to understand the "semantic context" behind user choices. Recent advances in Large Language Models (LLMs) present new opportunities to harness user-generated content for more accurate and diverse recommendations, yet current LLM-based recommendations still focus on using item meta-data and underutilize this resource. In this paper, we advocate for prioritizing explicit context feedback in the next generation of LLM-based RecSys. We review the evolution of recommendation paradigms, highlight the value of context-rich feedback, call for new benchmarks and metrics, and introduce frameworks for integrating explicit user signals into scalable LLM-driven RecSys. Centering on user-preference modeling, we aim to foster more personalized, transparent, and explainable RecSys online platforms.
• Abstract（参考訳）: 従来のレコメンデータシステム(RecSys)は、主に暗黙の信号(クリック、ウォッチ、購入など)からユーザの好みを推測する。 この明示的なコンテキストフィードバックは、ユーザの好みに関する決定の背後にある微妙な理由を捉えます。 さらに、ユーザー好みのアライメントや説明可能なレコメンデーションのために、重要な異種情報を提供する。 このような信号を見渡すと、ユーザの選択の背後にある「意味的コンテキスト」をアルゴリズムが理解できないため、ユーザの嗜好が不一致し、フィルタバブルがさらに強化される。 大規模言語モデル(LLMs)の最近の進歩は、ユーザ生成したコンテンツをより正確で多様なレコメンデーションに活用する新たな機会を提供するが、現在のLLMベースのレコメンデーションは、アイテムメタデータの使用とリソースの活用に重点を置いている。 本稿では,次世代のLLMベースのRecSysにおいて,明示的な文脈フィードバックの優先順位付けを提唱する。 我々はレコメンデーションパラダイムの進化をレビューし、文脈に富んだフィードバックの価値を強調し、新しいベンチマークとメトリクスを呼び、拡張性のあるLCM駆動型RecSysに明示的なユーザ信号を統合するためのフレームワークを紹介します。 ユーザの嗜好モデリングを中心に、よりパーソナライズされ、透明で、説明可能なRecSysオンラインプラットフォームを育成することを目指している。

関連論文リスト

• Learning to Shop Like Humans: A Review-driven Retrieval-Augmented Recommendation Framework with LLMs [30.748667156183004]
  RevBrowseはレビュー駆動のレコメンデーションフレームワークである。 RevBrowseは、ユーザレビューをLLMベースのリグレードプロセスに統合し、候補項目を識別する機能を強化する。 PrefRAGは、ユーザとアイテムの表現を構造化形式に分解する検索拡張モジュールである。
  論文  参考訳（メタデータ） (2025-08-31T04:37:43Z)
• 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)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• WildFeedback: Aligning LLMs With In-situ User Interactions And Feedback [36.06000681394939]
  WildFeedbackは、大規模言語モデル(LLM)との会話中にユーザからのフィードバックをその場で活用して、好みのデータセットを自動的に作成する新しいフレームワークである。 実験の結果,WildFeedbackデータセットを微調整したLCMは,ユーザの好みに合わせて大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2024-08-28T05:53:46Z)
• Vague Preference Policy Learning for Conversational Recommendation [48.868921530958666]
  会話レコメンデーションシステムは通常、ユーザが明確な好みを持っていると仮定し、潜在的に過度なフィルタリングにつながる。 本稿では,Vag Preference Multi-round Conversational Recommendation (VPMCR) シナリオを紹介する。 我々の研究は、ユーザの内在する曖昧さと相対的な意思決定プロセスを調整し、現実の応用性を向上させることでCRSを前進させます。
  論文  参考訳（メタデータ） (2023-06-07T14:57:21Z)
• 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。