論文の概要: Rethinking Fairness in LLM-Based Recommender Systems: A Survey

• arxiv url: http://arxiv.org/abs/2606.28340v1
• Date: Sun, 31 May 2026 16:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 15:26:04.838635
• Title: Rethinking Fairness in LLM-Based Recommender Systems: A Survey
• Title（参考訳）: LLMベースのレコメンダシステムにおけるフェアネスの再考:サーベイ
• Abstract要約: 大規模言語モデル(LLM)は、よりセマンティックで生成的で対話的なレコメンデーションパイプラインを可能にすることで、レコメンデーションシステムを再構築している。 本調査は,LLM4レコメンデータシステム(LLM4Rec)におけるフェアネスの体系的レビューを提供する。
• 参考スコア（独自算出の注目度）: 53.806131724790525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are reshaping recommender systems by enabling more semantic, generative, and interactive recommendation pipelines. However, this shift also introduces new fairness challenges, as biases may arise from pretrained knowledge, prompts, generated explanations, decoding strategies, and feedback loops. This survey provides a systematic review of fairness in LLM-based recommender systems (LLM4Rec), organizing existing studies through a two-dimensional view of bias mechanisms and fairness targets, together with a structured overview of the evaluation landscape and mitigation strategies. We further connect fairness with broader trustworthy concerns, including explainability, privacy, robustness, and controllability. To the best of our knowledge, this is the first survey specifically focused on fairness in LLM4Rec, aiming to provide a structured foundation for future research on comprehensive and reliable fairness evaluation in LLM4Rec.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、よりセマンティックで生成的で対話的なレコメンデーションパイプラインを可能にすることで、レコメンデーションシステムを再構築している。 しかし、このシフトは、事前訓練された知識、プロンプト、生成された説明、デコード戦略、フィードバックループからバイアスが発生する可能性があるため、新たな公平性の課題も導入する。 本調査は,LLMに基づく推薦システム(LLM4Rec)におけるフェアネスの体系的レビューを行い,バイアス機構とフェアネス目標の2次元ビューを通じて既存研究を整理するとともに,評価景観の構造化と緩和戦略について概観する。 フェアネスは、説明可能性、プライバシー、堅牢性、制御性など、幅広い信頼に値する関心事と結びついています。 本研究は,LLM4Recにおける公正性に着目した初の調査であり,LLM4Recにおける包括的かつ信頼性の高い公正性評価に関する今後の研究のための構造化された基盤を提供することを目的としている。

関連論文リスト

• Trustworthy Recommendation in the Era of Large Language Models: Opportunities and Challenges [60.18620798072947]
  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。
  論文  参考訳（メタデータ） (2026-05-30T05:14:53Z)
• RAL2M: Retrieval Augmented Learning-To-Match Against Hallucination in Compliance-Guaranteed Service Systems [27.265291265022586]
  幻覚はLLM駆動型サービスシステムにおいて大きな関心事である。 本稿では,生成幻覚を排除した新しいフレームワークであるRetrieval-Augmented Learning-to-Match(RAL2M)を紹介する。 異種モデル能力を明示的にモデル化する問合せ適応型潜在アンサンブル戦略を提案する。
  論文  参考訳（メタデータ） (2026-01-06T11:00:16Z)
• Cognitive Biases in Large Language Models for News Recommendation [68.90354828533535]
  本稿では,認知バイアスが大規模言語モデル(LLM)に基づくニュースレコメンデータシステムに与える影響について検討する。 データ拡張、エンジニアリングと学習アルゴリズムの側面を通じて、これらのバイアスを軽減する戦略について議論する。
  論文  参考訳（メタデータ） (2024-10-03T18:42:07Z)
• A Normative Framework for Benchmarking Consumer Fairness in Large Language Model Recommender System [9.470545149911072]
  本稿では,LCMを利用したリコメンデータシステムにおいて,消費者の公正性をベンチマークするための規範的フレームワークを提案する。 このギャップは公平性に関する任意の結論につながる可能性があると我々は主張する。 MovieLensデータセットの消費者の公正性に関する実験は、年齢ベースの推奨において公平さの偏りを明らかにしている。
  論文  参考訳（メタデータ） (2024-05-03T16:25:27Z)
• Understanding Biases in ChatGPT-based Recommender Systems: Provider Fairness, Temporal Stability, and Recency [9.882829614199453]
  本稿では,ChatGPTに基づく推薦システムにおけるバイアスについて考察し,提供者フェアネス(イテム側フェアネス)に着目した。 最初の実験では、トップK推薦の精度と公平性について、7つの異なるプロンプトシナリオを評価した。 フェアネスを「フェアレコメンデーターとしての行動」のようなシステムの役割に組み込むことは、プロンプト内のフェアネスディレクティブよりも効果的であることが証明された。
  論文  参考訳（メタデータ） (2024-01-19T08:09:20Z)
• How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
  大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。 我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
  論文  参考訳（メタデータ） (2023-06-09T11:31:50Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large Language Model Recommendation [52.62492168507781]
  LLM(FaiRLLM)を用いたFairness of Recommendationと呼ばれる新しいベンチマークを提案する。 このベンチマークは、慎重に作成されたメトリクスと、8つの機密属性を考慮に入れたデータセットで構成されている。 FaiRLLMベンチマークを用いて、ChatGPTの評価を行い、レコメンデーションを生成する際には、いくつかの機密属性に対して不公平であることがわかった。
  論文  参考訳（メタデータ） (2023-05-12T16:54:36Z)

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。