論文の概要: Trustworthy Recommendation in the Era of Large Language Models: Opportunities and Challenges

• arxiv url: http://arxiv.org/abs/2606.00540v1
• Date: Sat, 30 May 2026 05:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 15:13:29.320166
• Title: Trustworthy Recommendation in the Era of Large Language Models: Opportunities and Challenges
• Title（参考訳）: 大規模言語モデルの時代における信頼できる勧告--機会と課題
• Authors: Bohao Wang, Yu Cui, Zhenxiang Xu, Jujia Zhao, Chenxiao Fan, Jizhi Zhang, Weiqin Yang, Shengjia Zhang, Sirui Chen, Yang Zhang, Xiaoyan Zhao, Wenjie Wang, Chongming Gao, Fuli Feng, Xiangnan He, Jiawei Chen,
• Abstract要約: 大規模言語モデル(LLM)は、リコメンデータシステムに広く統合されている。 LLMは、信頼を高める前例のない機会を提供する。 しかし、彼らは同時に、新しい形の偏見や幻覚によって引き起こされる問題など、新しいリスクを導入します。
• 参考スコア（独自算出の注目度）: 60.18620798072947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of recommender systems (RS) is currently undergoing two profound paradigm shifts. From the perspective of objectives, the goal has shifted beyond mere recommendation accuracy to comprehensive trustworthiness, encompassing multiple dimensions such as robustness, fairness, and privacy preservation. From a technical perspective, Large Language Models (LLMs) have been extensively integrated into RS, reshaping the foundations of recommendation through richer semantic understanding, stronger intent reasoning, and more flexible user interactions. The convergence of these two shifts prompts a timely and pivotal question: how does the integration of LLMs reshape the landscape of trustworthy recommendation? In this work, we present a systematic review of trustworthy LLM-empowered recommendation. By comprehensively analyzing over 200 recent studies, we reveal that the introduction of LLMs acts as a double-edged sword. While their advanced mechanisms and user-friendly interfaces offer unprecedented opportunities to enhance trustworthiness, they simultaneously introduce new risks, such as novel forms of bias and hallucination-induced issues. To characterize this dual impact, we systematically identify 13 opportunities and 18 challenges across six fundamental dimensions of trustworthiness, and accordingly organize the existing literature into a novel taxonomy. We also provide a comprehensive review of commonly used datasets and evaluation metrics to facilitate empirical validation. Finally, we identify critical open challenges and outline future directions, hoping to inspire future research on this emerging topic.
• Abstract（参考訳）: 推薦システム(RS)の分野では現在、2つの大きなパラダイムシフトが進行中である。 目的の観点から見れば、目標は単なる推奨精度を超えて、堅牢性、公正性、プライバシ保護といった複数の側面を包含する総合的な信頼感へと移行した。 技術的な観点からは、Large Language Models(LLM)はRSに広く統合され、よりリッチなセマンティック理解、より強力なインテント推論、より柔軟なユーザインタラクションを通じて推奨の基礎を再構築している。 LLMの統合は、信頼できるレコメンデーションの風景をどう変えていくのか? 本稿では,信頼性の高いLCMを用いたレコメンデーションの体系的レビューを行う。 200以上の最近の研究を包括的に分析することにより、LLMの導入が二重刃の剣として機能することを明らかにする。 先進的なメカニズムとユーザフレンドリーなインターフェースは、信頼性を高める前例のない機会を提供する一方で、新たなバイアスや幻覚誘発問題といった新たなリスクも同時に導入する。 この2つの影響を特徴づけるために、信頼の6つの基本的な次元にまたがる13の機会と18の課題を体系的に同定し、既存の文献を新しい分類体系に整理する。 また、経験的検証を容易にするために、一般的に使用されるデータセットと評価指標の包括的なレビューも提供する。 最後に、我々は、重要なオープン課題を特定し、今後の方向性を概説し、この新興トピックに関する将来の研究を刺激したいと考えている。

関連論文リスト

• Verifiable Reasoning for LLM-based Generative Recommendation [106.7765000777685]
  大規模言語モデル(LLM)における推論は、最近、生成的レコメンデーションの強化に強い可能性を示している。 本稿では,信頼性の高いフィードバックを提供するために,検証と推論をインターリーブする新しいTextbftextitreason-verify-recommendパラダイムを提案する。 4つの実世界のデータセットの実験は、VRecが効率を損なうことなく、推奨の有効性とスケーラビリティを大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-03-08T16:55:45Z)
• Uncertainty and Fairness Awareness in LLM-Based Recommendation Systems [3.937681476010311]
  本稿では,不確実性と公平性の評価が大規模言語モデル(LLM)の精度,一貫性,信頼性に与える影響について検討する。 我々は(エントロピーを通じて)予測の不確実性を定量化し、Google DeepMindのGemini 1.5 Flashが特定の機密属性に対して体系的に不確実性を示すことを示した。 本稿では,RecLLMに対する新たな不確実性評価手法を提案する。
  論文  参考訳（メタデータ） (2026-01-31T17:18:13Z)
• Unveiling Trust in Multimodal Large Language Models: Evaluation, Analysis, and Mitigation [51.19622266249408]
  MultiTrust-XはMLLMの信頼性問題を評価、分析、緩和するためのベンチマークである。 分類に基づいて、MultiTrust-Xには32のタスクと28のキュレートデータセットが含まれている。 私たちの実験は、現在のモデルに重大な脆弱性を明らかにします。
  論文  参考訳（メタデータ） (2025-08-21T09:00:01Z)
• Toward Holistic Evaluation of Recommender Systems Powered by Generative Models [29.797042093096277]
  生成モデル(Gen-RecSys)はオープンなコンテンツを生成する。 従来の精度測定では、事実の正確性、コンテンツの安全性、ユーザ意図との整合性を計測できません。 本稿では,シナリオベースの評価とマルチメトリックチェックの関連性を含む総合評価手法を提案する。
  論文  参考訳（メタデータ） (2025-04-09T08:08:16Z)
• A Survey on Federated Fine-tuning of Large Language Models [21.559090305077273]
  FedLLMは、データのプライバシを保持しながら、協調的なモデル適応のための有望な道を提供する。 FedLLMを厳格に評価するために、既存の微調整データセットと評価ベンチマークを徹底的にレビューする。 我々は、重要なオープン課題を特定し、FedLLMの今後の進歩を促進するための有望な研究の方向性を概説する。
  論文  参考訳（メタデータ） (2025-03-15T06:52:10Z)
• Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。 本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-16T09:06:44Z)
• MultiTrust: A Comprehensive Benchmark Towards Trustworthy Multimodal Large Language Models [51.19622266249408]
  MultiTrustはMLLMの信頼性に関する最初の総合的で統一されたベンチマークである。 我々のベンチマークでは、マルチモーダルリスクとクロスモーダルインパクトの両方に対処する厳格な評価戦略を採用している。 21の近代MLLMによる大規模な実験は、これまで調査されなかった信頼性の問題とリスクを明らかにしている。
  論文  参考訳（メタデータ） (2024-06-11T08:38:13Z)
• Exploring the Impact of Large Language Models on Recommender Systems: An Extensive Review [2.780460221321639]
  本稿では,リフォームレコメンダシステムにおける大規模言語モデルの重要性について述べる。 LLMは、言葉の複雑な解釈において、その適応性を示す、アイテムを推薦するのに非常に熟練している。 トランスフォーメーションの可能性にもかかわらず、入力プロンプトに対する感受性、時には誤解釈、予期せぬ推奨など、課題は続いている。
  論文  参考訳（メタデータ） (2024-02-11T00:24:17Z)

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。