論文の概要: Whose hotel does the AI recommend? An algorithm audit of reputation signals in LLM-assisted hotel selection

• arxiv url: http://arxiv.org/abs/2606.16344v1
• Date: Mon, 15 Jun 2026 07:47:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.159264
• Title: Whose hotel does the AI recommend? An algorithm audit of reputation signals in LLM-assisted hotel selection
• Title（参考訳）: AIが推奨するホテルは? LLM支援ホテル選択における評価信号のアルゴリズムによる評価
• Authors: Mirza Samad Ahmed Baig, Syeda Anshrah Gillani, Asher Ali,
• Abstract要約: ランダムな選択に基づくコンジョイントを用いたアルゴリズム監査を行う。 アシスタントは、ゲスト格付け、レビューボリュームとリプライ、マネジメントレスポンス、チェーンアフィリエイト、価格、エコ認定、リストポジションが独立してランダム化されている5つのホテルの中から選択する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Travelers increasingly ask large language model (LLM) assistants which hotel to book, making these systems gatekeepers of property visibility -- yet what moves their recommendations is undocumented. We conduct a pre-specified algorithm audit using a randomized choice-based conjoint: across personas, prompt templates, and twelve open-weight and proprietary models, assistants choose among five hotels whose guest rating, review volume and recency, management response, chain affiliation, price, eco-certification, and list position are independently randomized. We estimate the average marginal component effect of each signal on the probability of recommendation. Guest rating and price dominate (a top rating raises selection by 31.6 percentage points; a high price lowers it by 30.0), reproducing human valence-and-price primacy but over-weighting eco-certification and ignoring management response. List position -- a content-free artifact -- shifts recommendations causally, worth about \$12 per night. Stated reasons track revealed weights imperfectly. The findings ground generative engine optimization and the accountability of AI infomediaries in causal evidence.
• Abstract（参考訳）: 旅行者は大型言語モデル(LLM)アシスタントにホテルの予約を依頼し、これらのシステムに不動産の視認性を示すゲートキーパーを配置するが、推奨事項は文書化されていない。 素人、プロンプトテンプレート、12のオープンウェイトおよびプロプライエタリモデル、ゲスト格付け、レビューボリュームとリレーシタンス、管理応答、チェーンアフィリエイト、価格、エコ認証、リスト位置が独立にランダム化されている5つのホテルの中からアシスタントを選別する。 我々は、各信号の平均辺成分効果が推薦の確率に与える影響を推定する。 ゲスト格付けと価格が支配的(トップ格付けは31.6ポイント、高い値下げは30.0ポイント)、人間の価値と価格の優位性を再現するが、過度に重み付けされたエコ認定と管理上の反応を無視する。 リストポジション – コンテンツフリーのアーティファクト – は、毎晩12ドル相当の推奨を慎重にシフトする。 記録された理由により、重量は不完全であることが判明した。 この知見は、因果的証拠における生成エンジンの最適化とAIインフォメーションのアカウンタビリティの基礎となる。

関連論文リスト

• Select Smarter, Not More: Prompt-Aware Evaluation Scheduling with Submodular Guarantees [28.54776477263591]
  本稿では, Prompt-Aware Online Evaluation Scheduling (POES)を提案する。 POESはIRTベースの識別ユーティリティ、施設位置のカバレッジ用語、スイッチングコストを意識したウォームスタートスワップを統一された目的に統合する。 POESは、無視できるトークンオーバーヘッドで、全体的な平均精度(最高のベースラインよりも6.2%改善)が最も高い。
  論文  参考訳（メタデータ） (2026-04-13T11:31:04Z)
• Designing Service Systems from Textual Evidence [18.85883540190321]
  高価な人事監査を最小化しながら、信頼性の高い最適なサービス構成を特定する方法について検討する。 本研究では,プロキシスコアと逆確率重み付け残差を組み合わせた推定器を開発した。
  論文  参考訳（メタデータ） (2026-03-11T04:34:46Z)
• The Value of Personalized Recommendations: Evidence from Netflix [30.61348115324346]
  我々は、レコメンデーションによって誘導されるユーティリティ、低ランクの不均一性、フレキシブルな状態依存を組み込む個別選択モデルを構築します。 推薦アルゴリズムが導入した慣用的変動を利用して、これらの成分を識別し、別々に評価する。 その結果,現行の推薦システムを行列係数化や人気度に基づくアルゴリズムに置き換えることで,エンゲージメントの4%と12%の削減が期待できることがわかった。
  論文  参考訳（メタデータ） (2025-11-10T16:27:01Z)
• 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)
• Can Large Language Models Understand Preferences in Personalized Recommendation? [32.2250928311146]
  PerRecBenchを導入し、ユーザ評価バイアスとアイテムの品質から評価を分解する。 評価予測に長けているLCMベースのレコメンデーション手法では,ユーザの評価バイアスや項目品質を排除した場合,ユーザの好ましくない項目や好ましくない項目を識別できないことがわかった。 その結果、ポイントワイドランキングよりもペアワイズとリストワイズランキングの方が優れていること、PerRecBenchの従来の回帰指標との相関が低いこと、ユーザプロファイルの重要性、事前学習データ分布の役割が明らかになった。
  論文  参考訳（メタデータ） (2025-01-23T05:24:18Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Self-Evaluation Guided Beam Search for Reasoning [61.523627290397556]
  我々は,Large Language Model (LLM) の推論プロセスのガイドと校正を行うための段階的自己評価機構を導入する。 本稿では,ビームサーチによる自己評価ガイダンスを統合した復号アルゴリズムを提案する。 我々のアプローチは、GSM8K、AQuA、StrategyQAにおいて、対応するCodexバックボンドベースラインをわずかに精度6.34%、9.56%、および5.46%で上回る。
  論文  参考訳（メタデータ） (2023-05-01T02:37:59Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Confidence-Budget Matching for Sequential Budgeted Learning [69.77435313099366]
  問合せ予算で意思決定問題を定式化する。 我々は,多腕バンディット,線形バンディット,強化学習問題を考察する。 我々は,CBMに基づくアルゴリズムが逆性の存在下で良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-05T19:56:31Z)

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。