論文の概要: Reproducing Transparent and Scrutable Recommendations: Exploring Open-Weight Models via Natural-Language User Profiles
- arxiv url: http://arxiv.org/abs/2609.19831v1
- Date: Thu, 17 Sep 2026 07:36:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.155142
- Title: Reproducing Transparent and Scrutable Recommendations: Exploring Open-Weight Models via Natural-Language User Profiles
- Title（参考訳）: 透明で精査可能なレコメンデーションの再現:自然言語ユーザプロファイルによるオープンウェイトモデルの探索
- Abstract要約: ユーザの好みを表す自然言語のユーザプロファイルを組み込んだレコメンデータシステムの透明性と精査性について検討する。
オリジナル論文では,映画や宿泊施設などの領域にまたがるユーザ生成レビューテキストからユーザプロファイルを合成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this reproducibility study, we investigate the transparency and scrutability of recommender systems enhanced by incorporating generated natural-language user profiles that represent user preferences. The original paper explores the synthesis of user profiles from raw user-generated review text across domains such as movies and accommodations (Amazon Movies & TV, TripAdvisor). Crucially, these natural-language user profiles enable direct user interaction and intervention, allowing users to customize recommendations by correcting misattributed preferences or addressing cold-start settings. We successfully reproduce the core findings of the original study. Additionally, we extend the evaluation by conducting systematic context ablation experiments, multi-seed stability across five distinct random seeds to establish statistical reliability, and a mechanistic interpretability analysis using the nnsight framework to probe internal model representations under counterfactual profile perturbations. Our findings verify the original paper's claim that User Profile Recommendation (UPR) achieves competitive performance under its test-set reranking protocol and makes recommendations more transparent. Perturbing the natural-language profiles does change predictions, but it shifts predicted ratings uniformly across genres with no detectable genre-selective effect, leaving rankings unchanged even under direct activation steering. We trace this back to the rating-regression objective rather than the profile interface, with ranking-objective models clearly exceeding in this task.
- Abstract（参考訳）: 本研究では,ユーザの好みを表す自然言語のユーザプロファイルを組み込んだレコメンデータシステムの透明性と精査性について検討する。
オリジナル論文では,映画や宿泊施設(Amazon Movies & TV, TripAdvisor)などの領域にわたるユーザ生成レビューテキストからユーザプロファイルを合成する。
重要なのは、これらの自然言語のユーザープロフィールは、直接のユーザーインタラクションと介入を可能にし、ユーザーが不適切な好みを修正したり、コールドスタートの設定に対処することによって推奨をカスタマイズできることだ。
本研究は,本研究の中核的な発見を再現することに成功した。
さらに, 統計的信頼性を確立するために, 5つの異なるランダムシードにまたがるマルチシード安定性, および非現実的プロファイル摂動下での内部モデル表現を探索するためのnnsightフレームワークを用いた機械論的解釈可能性解析を行うことにより, 評価を拡張した。
本研究は,ユーザプロファイル勧告 (UPR) がテストセットの再ランク付けプロトコルの下で競争性能を達成し,レコメンデーションをより透過的にする,という元の論文の主張を検証するものである。
自然言語プロファイルの摂動は予測を変えるが、予測されたレーティングをジャンル選択効果のないジャンルに均一にシフトし、直接的なアクティベーション・ステアリングの下でもランクは変わらない。
我々はこれを、プロファイルインターフェースよりも評価-回帰目標に遡り、このタスクではランク-客観的モデルが明らかに上回っている。
関連論文リスト
- RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation [74.86562505934961]
言語ベースのユーザプロファイルは、長い行動履歴をレコメンデーションのために明示的な意味表現に変換する。
そこでは,ストリームやプロファイルの更新を限定的に行うことで,ユーザの行動が継続的に到着する,実世界のショートビデオレコメンデーションにおいて,この問題について検討する。
本稿では,ストリーミング構造化されたセマンティックプロファイルを過去のレコメンデーションフィードバックで最適化するためのオフラインクローズドループフレームワークRECAPを提案する。
論文 参考訳（メタデータ） (2026-07-17T08:10:37Z) - Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。
静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。
実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
論文 参考訳（メタデータ） (2026-05-29T17:00:55Z) - Bridging Textual Profiles and Latent User Embeddings for Personalization [26.383561311860106]
本稿では,ユーザプロファイルを埋め込み型レコメンデーション目標と統合する強化学習フレームワークBLUEを提案する。
ブルーは、凍結およびトレーニング可能な埋め込み条件下で、強いベースラインを一貫して上回る。
これらの結果から,BLUEはパーソナライズのための識別可能なテキスト・プロファイリングと識別可能な潜在埋め込みを一体化するための効果的な方法であることが示された。
論文 参考訳（メタデータ） (2026-05-07T21:59:12Z) - DUET: Joint Exploration of User Item Profiles in Recommendation System [64.09357667290634]
本稿では,ユーザやアイテムに対して効果的なテキストプロファイルを構築する方法について検討する。
最大の難点は、最高のプロファイルフォーマットがプリオリを知らないことである。
ユーザ履歴とアイテムエビデンスの両方で条件付きユーザプロファイルとアイテムプロファイルを共同で生成するインタラクション対応プロファイル生成器であるDuetを提案する。
論文 参考訳（メタデータ） (2026-04-15T12:37:40Z) - How Sampling Shapes LLM Alignment: From One-Shot Optima to Iterative Dynamics [65.67654005892469]
適切なインスタンス依存サンプリングは、より強力なランキング保証を得られる一方で、スキュードオン政治サンプリングは、構造化された嗜好の下で過剰な濃度を誘導できることを示す。
次に、学習したポリシーが将来のサンプリングおよび参照ポリシーにフィードバックする反復的なアライメントダイナミクスを分析する。
我々の理論的な洞察は直接選好最適化にまで拡張され、我々が捉えた現象はより広範な選好アライメント手法に共通していることを示している。
論文 参考訳（メタデータ） (2026-02-12T17:11:08Z) - A Framework for Personalized Persuasiveness Prediction via Context-Aware User Profiling [21.531813748944383]
メッセージの説得性を推定することは、様々なアプリケーションにおいて重要である。
説得力予測モデルの利点に説得者の過去の活動を活用するための確立された枠組みは存在しない。
2つのトレーニング可能なコンポーネントを持つコンテキスト認識型ユーザプロファイリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-09T09:22:31Z) - Addressing Personalized Bias for Unbiased Learning to Rank [56.663619153713434]
Unbiased Learning to rank (ULTR)は、バイアスのあるユーザの行動ログからバイアスのないランキングモデルを学ぶことを目的としている。
そこで本研究では,学習からランクへの目標値を求めるために,新しいユーザ認識逆確率スコア推定器を提案する。
論文 参考訳（メタデータ） (2025-08-28T14:01:31Z) - Biases in LLM-Generated Musical Taste Profiles for Recommendation [6.482557558168364]
推奨のための大規模言語モデル(LLM)は、消費データから自然言語(NL)のユーザ嗜好プロファイルを生成することができる。
しかし、ユーザーがこれらのプロフィールを自分の好みを正確に表現しているかどうかは不明だ。
本研究では、音楽ストリーミングの文脈でこの問題について研究し、大規模で文化的に多様なカタログによってパーソナライズに挑戦する。
論文 参考訳（メタデータ） (2025-07-22T15:44:10Z) - Towards Explainable Temporal User Profiling with LLMs [3.719862246745416]
我々は,大規模言語モデル(LLM)を利用して,ユーザのインタラクション履歴の自然言語要約を生成する。
我々のフレームワークは、時間的ユーザの好みをモデル化するだけでなく、解釈可能な方法でレコメンデーションを説明するために使える自然言語プロファイルも生成する。
論文 参考訳（メタデータ） (2025-05-01T22:02:46Z) - ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳（メタデータ） (2024-10-21T14:02:40Z)
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。