論文の概要: LLM-Assisted Reranking to Operationalize Nuanced Objectives in Recommender Systems

• arxiv url: http://arxiv.org/abs/2606.02883v1
• Date: Mon, 01 Jun 2026 20:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.604052
• Title: LLM-Assisted Reranking to Operationalize Nuanced Objectives in Recommender Systems
• Title（参考訳）: LLMによるレコメンダシステムにおけるNuanced Objectsの運用支援
• Authors: Amir Ghasemian, Homa Hosseinmardi, Upasana Dutta, Duncan J. Watts,
• Abstract要約: 大規模言語モデル(LLM)により、より強力なパーソナライゼーションが可能となる。 本研究では, LLM 支援による再評価が, イデオロギー的・過激な政治的内容への露出を不注意に増幅するか否かを考察する。
• 参考スコア（独自算出の注目度）: 0.612477318852572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems have grown from content-organization tools into sophisticated systems that shape daily behavior. By controlling what we see, they shape what we perceive, raising concerns about filter bubbles, radicalization, polarization, and social inequality. Large language models (LLMs) enable more powerful personalization, intensifying these dynamics. Yet most recommenders are tuned for engagement or limited accuracy metrics, with little attention to broader social implications, e.g. how personalization reshapes exposure in socially consequential domains. We investigate whether LLM-assisted reranking, while improving personalization, inadvertently amplifies exposure to ideologically extreme or conspiratorial political content, a risk theorized but not empirically characterized in news recommendation. Using real news-consumption histories, we rerank YouTube's sidebar candidates through zero-shot, instruction-based prompting. We compare a baseline prompt with a constrained variant that preserves topical relevance and broadens ideological exposure while reducing conspiratorial or extreme content. Without constraints, reranking strengthened personalization but increased exposure to conspiratorial and extremist material for users whose histories contained such content. Lightweight prompt-level regularization reduced promotion of extreme content and increased ideological diversity, with modest relevance loss. Synthetic experiments suggest that LLMs rerank via statistical regularities in language rather than semantic understanding of ideology, clarifying why naive prompts amplify these patterns and why regularization can reshape them. Together, our results highlight the power of LLMs to operationalize contextual nuance in high-stakes recommendation, and the need to evaluate LLM-assisted personalization beyond accuracy and treat prompt design as a value-laden rather than neutral default.
• Abstract（参考訳）: レコメンダシステムは、コンテンツ編成ツールから、日々の振る舞いを形作る洗練されたシステムへと成長してきた。 観察するものをコントロールすることで、知覚するものを形成し、フィルターバブル、過激化、分極化、社会的不平等に対する懸念を高めます。 大きな言語モデル(LLM)はより強力なパーソナライゼーションを可能にし、これらのダイナミクスを強化する。 しかし、ほとんどのレコメンデーターはエンゲージメントや限られた精度の指標に調整されており、より広範な社会的意味にはほとんど注意を払わない。 個人化を向上しつつも, LLM 支援による再格付けが, イデオロギー上極端あるいは陰謀的政治的内容への露出を不注意に増幅するか否かを検討する。 実際のニュース消費履歴を使って、YouTubeのサイドバー候補をゼロショットのインストラクションベースのプロンプトでリランクしました。 提案手法は, 空間的関連性を保ち, イデオロギー的露出を拡大し, 相補的, 極端な内容の低減を図ったものである。 制約なくして、再格上げはパーソナライゼーションを強化したが、そのような内容を含むユーザーにとって、陰謀的かつ過激な素材への露出が増大した。 軽量なプロンプトレベルの規則化は、極端な内容の促進とイデオロギーの多様性の増大を減らした。 合成実験は、LLMがイデオロギーのセマンティックな理解よりも、言語における統計的正則性を通して再帰することを示し、なぜナイーブ・プロンプトがこれらのパターンを増幅し、なぜ正規化がそれらを再形成できるのかを明らかにした。 本研究は,LLMの高評価における文脈ニュアンスを運用する能力と,LLM支援によるパーソナライズを精度を超えて評価し,中立的なデフォルトではなく,迅速な設計を価値層として扱うことの必要性を強調した。

関連論文リスト

• Enhancing Sequential Recommendation with World Knowledge from Large Language Models [35.436916487752285]
  GRASPは、合成と類似性検索のための生成拡張検索を統合するフレキシブルなフレームワークである。 検索された類似ユーザ/イテムは、後続の全体的注目強化モジュールの補助的なコンテキスト情報として機能する。 GraSPは、さまざまなバックボーンと統合することで、最先端のパフォーマンスを一貫して達成します。
  論文  参考訳（メタデータ） (2025-11-25T10:59:38Z)
• The Right to Be Remembered: Preserving Maximally Truthful Digital Memory in the Age of AI [3.527046810232699]
  大規模言語モデル(LLM)は、複数の視点をひとつの回答に分解することで、その効果を増幅することができる。 ある物語、個人または集団は不均等に抑圧されうるが、他の物語は不均等に抑圧される。 本稿では,AIによる情報消去のリスクを最小限に抑えたRTBR(Right To Be Remembered)の概念を提案する。
  論文  参考訳（メタデータ） (2025-10-17T20:38:12Z)
• Beyond Prompt-Induced Lies: Investigating LLM Deception on Benign Prompts [79.1081247754018]
  大規模言語モデル(LLM)は、推論、計画、意思決定のタスクに広くデプロイされている。 そこで我々は, 接触探索質問(CSQ)に基づく枠組みを提案し, 騙しの可能性を定量化する。
  論文  参考訳（メタデータ） (2025-08-08T14:46:35Z)
• Probing Association Biases in LLM Moderation Over-Sensitivity [42.191744175730726]
  大規模言語モデルは、コンテンツモデレーションに広く使用されるが、しばしば良心的なコメントを有毒と誤分類する。 トピック・アソシエーション・アナリティクス(トピック・アソシエーション・アナリティクス)は,LLMが特定のトピックと毒性をどう関連づけるかを定量化するセマンティック・レベルのアプローチである。 より高度なモデル(例えば、GPT-4 Turbo)は、全体的な偽陽性率が低いにもかかわらず、より強力なトピックステレオタイプを示す。
  論文  参考訳（メタデータ） (2025-05-29T18:07:48Z)
• Simulating Filter Bubble on Short-video Recommender System with Large Language Model Agents [24.570722028960844]
  本稿では,大規模言語モデルに基づくシミュレーションフレームワークを用いて,推薦アルゴリズムとユーザフィードバックのダイナミクスを明らかにする。 我々は、コンテンツ均質化を悪化させる人口動態の特徴やカテゴリーアトラクションなどの重要な要因を同定する。 我々は、女性や低所得者などの脆弱なグループに対する株式の保護について提案する。
  論文  参考訳（メタデータ） (2025-03-23T10:35:58Z)
• Persuasion with Large Language Models: a Survey [49.86930318312291]
  大規模言語モデル (LLM) は説得力のあるコミュニケーションに新たな破壊的可能性を生み出している。 政治、マーケティング、公衆衛生、電子商取引、慈善事業などの分野では、LLMシステムズは既に人間レベルや超人的説得力を達成している。 LLMをベースとした説得の現在と将来の可能性は、倫理的・社会的リスクを著しく引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-11T10:05:52Z)
• OCEAN: Offline Chain-of-thought Evaluation and Alignment in Large Language Models [68.17018458283651]
  本研究は,LLMのチェーン・オブ・思想能力のオフライン評価に焦点をあてる。 我々は知識グラフ(例えばWikidata5m)を使って、生成された思考の連鎖に対するフィードバックを提供する。 提案手法に基づいてLCMを最適化する方法を示す。
  論文  参考訳（メタデータ） (2024-10-31T07:48:44Z)
• Whose Side Are You On? Investigating the Political Stance of Large Language Models [56.883423489203786]
  大規模言語モデル(LLM)の政治的指向性について,8つのトピックのスペクトルにわたって検討する。 我々の調査は、中絶からLGBTQ問題まで8つのトピックにまたがるLLMの政治的整合性について考察している。 この結果から,ユーザはクエリ作成時に留意すべきであり,中立的なプロンプト言語を選択する際には注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-15T04:02:24Z)
• Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis [86.49858739347412]
  大規模言語モデル(LLM)は、これらのモデルにおけるバイアスの頻度とその緩和に関する激しい議論を引き起こしている。 本稿では,意思決定プロセスに寄与する属性の抽出と仲介を行うためのプロンプトベースの手法を提案する。 観察された異なる治療は、少なくとも部分的には、属性の相違とモデルの相違によるものであることが判明した。
  論文  参考訳（メタデータ） (2023-11-15T00:02:25Z)
• Improving Factual Consistency of News Summarization by Contrastive Preference Optimization [65.11227166319546]
  大規模言語モデル(LLM)は、本来の記事と現実的に矛盾する要約を生成する。 これらの幻覚は、従来の方法による検出が困難である。 本稿では,LLMの適合性を解消し,忠実で偽のコンテンツを生成するコントラスト優先最適化(CPO)を提案する。
  論文  参考訳（メタデータ） (2023-10-30T08:40:16Z)

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。