論文の概要: Do Generative Recommenders Deepen the Information Cocoon? A Closed-Loop Simulation with LLM-powered User Simulators

• arxiv url: http://arxiv.org/abs/2606.17707v1
• Date: Tue, 16 Jun 2026 09:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.372696
• Title: Do Generative Recommenders Deepen the Information Cocoon? A Closed-Loop Simulation with LLM-powered User Simulators
• Title（参考訳）: ジェネレーティブ・リコメンダはインフォメーション・クーポンをさらに深めるか? : LLMを用いたユーザ・シミュレータによるクローズド・ループ・シミュレーション
• Authors: Jiyuan Yang, Gengxin Sun, Mengqi Zhang, Lingjie Wang, Yuanzi Li, Hongxi Cui, Xin Xin, Pengjie Ren,
• Abstract要約: その結果, ジェネレーティブ・レコメンデーターは, 従来のベースラインよりも露出レベルのコクーン形成の傾向が低いことが明らかとなった。 クーーンの重大度はトークン化戦略とモデルスケールに強く依存している。 これらの結果から,情報コクーンは推薦行動だけでなく,項目のトークン化やモデルキャパシティによっても形成されていることが示唆された。
• 参考スコア（独自算出の注目度）: 21.778766333727873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems alleviate information overload, yet repeated feedback between recommendations and user interactions can reinforce existing preferences and narrow users' exposure, forming information cocoons. While this phenomenon has been widely studied in traditional sequential recommendation, its impact on generative recommendation remains unclear. By replacing atomic item IDs with Semantic ID (SID) sequences, generative recommenders introduce a different recommendation mechanism whose role in information cocoon formation is not yet understood. To investigate whether generative recommenders deepen information cocoons, we propose \textsc{RecLoop}, a closed-loop simulation framework with LLM-driven user agents. We compare two generative recommenders and two traditional sequential baselines on two Amazon datasets across multiple feedback cycles. In addition to standard exposure-level metrics, we introduce \emph{Code-Space Structural Cocoon}, a model-level metric that measures concentration in the generated SID space. Experimental results show that generative recommenders are generally less prone to exposure-level cocoon formation than traditional baselines, preserving broader exposure diversity and slowing cross-user homogenization. However, feedback loops can still induce concentration within the generated SID space. We further find that cocoon severity depends strongly on tokenization strategy and model scale: collaborative-signal tokenization produces stronger cocoon effects than semantic tokenization, whereas larger models maintain greater code-space diversity and better retain access to niche content. These findings suggest that information cocoons in generative recommendation are shaped not only by recommendation behavior, but also by item tokenization and model capacity. Our code is available at https://github.com/Dregen-Yor/RecLoop.
• Abstract（参考訳）: リコメンダシステムは情報の過負荷を軽減するが、リコメンデーションとユーザインタラクションの繰り返しフィードバックは、既存の嗜好を強化し、ユーザの露出を狭め、情報コクーンを形成する。 この現象は従来からのレコメンデーションにおいて広く研究されてきたが、生成レコメンデーションへの影響はいまだ不明である。 素項目IDをセマンティックID (SID) 配列に置き換えることで、生成推奨者は情報コクーン形成における役割がまだ理解されていない異なるレコメンデーションメカニズムを導入する。 LLM駆動型ユーザエージェントを用いたクローズドループシミュレーションフレームワークである「textsc{RecLoop}」を提案する。 2つのジェネレーティブレコメンデータと2つの従来のシーケンシャルベースラインを、複数のフィードバックサイクルで比較します。 標準露光レベルの指標に加えて、生成されたSID空間の濃度を測定するモデルレベルの指標である \emph{Code-Space Structure Cocoon} を導入する。 実験結果から, ジェネレーティブ・レコメンダは, 従来のベースラインよりも露出レベルのコクーン形成の傾向が低く, より広範に露出の多様性を保ち, ユーザ間の同質化を遅くすることが明らかとなった。 しかし、フィードバックループは生成したSID空間内の濃度を誘導することができる。 さらに、コクーンの重大性はトークン化戦略とモデルスケールに強く依存しており、コクーン・トークン化はセマンティックトークン化よりも強力なコクーン効果をもたらすのに対し、より大きなモデルはコード空間の多様性を保ち、ニッチなコンテンツへのアクセスをより良く維持する。 これらの結果から,情報コクーンは推薦行動だけでなく,項目のトークン化やモデルキャパシティによっても形成されていることが示唆された。 私たちのコードはhttps://github.com/Dregen-Yor/RecLoop.comで公開されています。

関連論文リスト

• RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
  Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。 RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-05-17T05:21:23Z)
• SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
  推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。 textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
  論文  参考訳（メタデータ） (2026-02-08T07:26:52Z)
• CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
  CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。 我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
  論文  参考訳（メタデータ） (2025-11-27T18:59:35Z)
• Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling [10.757287948514604]
  本稿では,協調情報を学習項目表現に直接統合するコントラストトークン化手法を提案する。 また、アイテムデコーディングからタイムラインモデリングを分離する軽量な音声インスパイアされた生成モデルであるMARIUSを提案する。
  論文  参考訳（メタデータ） (2025-08-12T17:06:55Z)
• OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment [9.99840965933561]
  ケースドラーニングフレームワークを統一的な生成モデルで置き換えるOneRecを提案する。 1) ユーザの履歴行動シーケンスをエンコードし、ユーザが興味を持っているかもしれない動画を徐々にデコードするエンコーダ・デコーダ構造。
  論文  参考訳（メタデータ） (2025-02-26T09:25:10Z)
• Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
  本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。 CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。 フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
  論文  参考訳（メタデータ） (2024-05-15T14:20:37Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。