論文の概要: Safety as a Constraint: Fine-Tuning a LLM Recommender to Explain Itself

• arxiv url: http://arxiv.org/abs/2609.13657v1
• Date: Sat, 12 Sep 2026 02:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.453655
• Title: Safety as a Constraint: Fine-Tuning a LLM Recommender to Explain Itself
• Title（参考訳）: 制約としての安全性: LLMレコメンデーションの微調整による説明
• Abstract要約: 我々はリコメンデーションのためのパーソナライズされた説明を生成するためにレコメンデーション LLM を訓練する。 生成した説明に2つの要件を課す。それはリンクする表示の要素に忠実でなければならないし、ユーザには厳密には有害でなければならない。 我々の微調整されたモデルでは、全3基準PASSレートは、我々の審査員が0.649から0.956に、独立審査員が0.677から0.931に上昇する。
• 参考スコア（独自算出の注目度）: 0.1749935196721634
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traditional recommender systems are typically trained to predict what item users will interact with next, but not why. However, offering personalized evidence for why a user might like the predicted item is an important way to enhance the service and to raise the likelihood that the user will be genuinely interested in the recommendation. This service can be delivered by integrating a frontier-model call into the member-facing pipeline, but it will add extra cost and latency. In this paper, we train a recommender LLM to generate personalized explanations for its reccomendation, based on the user's watching history at a large video streaming service. We impose two requirements on the generated explanation: it must be faithful to the elements of the shows it links, and it must be strictly non-harmful to the user. To this end, we first train two LLM-judge reward models covering three specific criteria, and propose constrained GRPO to incorporate these different criteria. On a held-out real-world testing set, our fine-tuned model improves the all-three-criteria PASS rate rises from 0.649 to 0.956 under our own judges and from 0.677 to 0.931 under an independent judge, where as the frontier generator performs similar to the untuned recommender baseline. We conduct further experiments to show that the model's language and recommendation abilities remain unchanged. Based on these results, we conclude that an LLM-based recommender can be fine-tuned on other complex tasks without compromising its original recommendation performance, thus provide insights for further agentic user interface powered by a single model.
• Abstract（参考訳）: 従来のレコメンデーターシステムは、ユーザーが次にどのアイテムと対話するかを予測するために訓練されるが、その理由ではない。 しかし、ユーザが予測項目を好む理由のパーソナライズされた証拠を提供することは、サービスを強化する重要な方法であり、ユーザがその推奨に真に興味を持つ可能性を高めるものである。 このサービスは、フロンティアモデルコールをメンバ対応パイプラインに統合することで配信できるが、追加のコストとレイテンシが追加される。 本稿では,大規模なビデオストリーミングサービスにおけるユーザの視聴履歴に基づいて,リコメンデーションに関するパーソナライズされた説明を生成するためのレコメンデータLSMを訓練する。 生成した説明に2つの要件を課す。それはリンクする表示の要素に忠実でなければならないし、ユーザには厳密には有害でなければならない。 この目的のために,まず3つの特定の基準をカバーする2つのLLM-judge報酬モデルを訓練し,これらの異なる基準を組み込むための制約付きGRPOを提案する。 保持された実世界のテストセットにおいて、我々の微調整されたモデルでは、自己判断の下で全3基準PASSレートが 0.649 から 0.956 に上昇し、独立審査下で 0.677 から 0.931 に上昇し、フロンティアジェネレータが未調整勧告ベースラインと同じような動作を行う。 我々は、モデル言語とレコメンデーション能力が変化しないことを示すために、さらなる実験を行う。 これらの結果から,LLMをベースとしたリコメンデータは,従来のリコメンデーション性能を損なうことなく,他の複雑なタスクに対して微調整が可能であり,単一のモデルによるエージェントユーザインタフェースのさらなる向上に対する洞察を提供することができると結論付けた。

関連論文リスト

• RecoReward: Recommender-Guided Multimodal Description Generation for Recommendation [41.239756064223776]
  RecoRewardは、トレーニング中に行動由来の報酬を使用し、コンテンツのみの推論を保存する。 RecoRewardは、コンテンツのみのサービスを維持しながら、下流のレコメンデーションに役立つアイテム機能を作成するためにMLLMを訓練している。
  論文  参考訳（メタデータ） (2026-07-28T15:59:00Z)
• NEXT: Reasoning-Driven Video Recommendation via a Vision-Language Model [8.612187834047418]
  Next-interest Exploration Transformerは推論駆動のビデオレコメンデーションフレームワークである。 Next-8Bは、3段階のレシピを持つ目的訓練された8B視覚言語モデルである。 次に、+0.53%の視聴時間と+0.51%の異なるビデオ露出を含む統計的に有意な生産増加を示す。
  論文  参考訳（メタデータ） (2026-06-27T06:51:58Z)
• End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
  グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-02T22:46:50Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の累積増加率は4.13%に達した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• 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)
• 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)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。