論文の概要: Measuring and Mitigating Identity-Cue Preference Drift in LLM-based Recommender Systems

• arxiv url: http://arxiv.org/abs/2609.34229v1
• Date: Mon, 28 Sep 2026 03:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:45:41.856374
• Title: Measuring and Mitigating Identity-Cue Preference Drift in LLM-based Recommender Systems
• Title（参考訳）: LLMに基づくレコメンダシステムにおけるID-Cue優先ドリフトの測定と緩和
• Abstract要約: 大規模な言語モデルベースのレコメンデータシステムでは、プロンプトに埋め込まれたアイデンティティーキューは、グループレベルのパターンに対するレコメンデーションを制御できる。 本稿では,PmptShiftを紹介した。PmptShiftは,そのようなアイデンティティーキューの嗜好の漂流を定量化するための,解釈可能な,トレーニング不要なフレームワークである。 PromptShiftは、DifHitRate、HitRate、MRRを改善しながら、一貫してDriftとSliceShiftを減少させ、マクロ平均のSliceShiftを62.42%低下させることを示した。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In large language model-based recommender systems, identity cues embedded in prompts can steer recommendations toward group-level patterns even when the underlying behavioral evidence remains unchanged. We introduce PromptShift, an interpretable, training-free framework for quantifying and mitigating such identity-cue preference drift. We define Drift as the divergence, in both item membership and ranking order, between a recommendation list generated under an identity-cued prompt and the reference list produced from the same user's interaction history alone. SliceShift then measures the extent to which a cued list gravitates, relative to the history-only reference, toward items that are more popular within the cued slice than among the global user population. Beyond conventional accuracy, we propose DifHitRate, a difficulty-weighted hit metric that credits only relevant items, assigning higher credit to hits that are less popular within the cued slice and ranked higher in the list. All components are supported by an identity-slice-by-item table constructed from positive interactions, which further enables an adaptive post-hoc reranking strategy: the reranker interpolates between the original LLM ranking and inverse slice-popularity, with personalized interpolation weight. Experiments on two datasets with three LLMs show that identity-cued prompts incur higher mean Drift than identity-free paraphrase controls, an effect beyond generic wording sensitivity, and that SliceShift is positive across all six dataset-model settings. PromptShift consistently reduces both Drift and SliceShift, lowering macro-mean SliceShift by 62.42%, while improving DifHitRate, HitRate and MRR. These results demonstrate that identity-cue preference drift can be measured and mitigated without any model training, albeit with a modest, metric-dependent utility cost.
• Abstract（参考訳）: 大規模言語モデルに基づくレコメンデータシステムでは、プロンプトに埋め込まれたアイデンティティーキューは、基礎となる行動証拠が変化していない場合でも、グループレベルのパターンに対するレコメンデーションを操縦することができる。 本稿では,PmptShiftを紹介した。PmptShiftは,そのようなアイデンティティーキューの嗜好の漂流を定量化し緩和するための,解釈可能な,トレーニング不要なフレームワークである。 そこで我々は,Driftを項目登録とランキング順の両方において,同一ユーザのインタラクション履歴のみから生成されたレコメンデーションリストと,同一ユーザのインタラクション履歴から生成された参照リストとの相違点として定義する。 次に、SliceShiftは、キューされたリストが、履歴のみの参照に対して、キューされたスライスの中でグローバルなユーザ人口よりも人気があるアイテムに対して、どれだけの頻度で表示しているかを測定する。 従来の精度を超えて、我々はDifHitRateを提案する。DifHitRateは、関連するアイテムのみをクレジットし、キューされたスライスの中であまり人気がなく、リストの中で上位にランクされたヒットにより高いクレジットを割り当てる。 すべてのコンポーネントは、正の相互作用から構築されたアイデンティティスライス・バイ・イテムテーブルによってサポートされ、さらに適応的なポストホックのランク付け戦略が可能である: 再ランカは、パーソナライズされた補間重みで、元のLCMランキングと逆スライス・ポピュラリティの間の補間を行う。 3つのLCMを用いた2つのデータセットの実験では、ID処理されたプロンプトは、IDなしのパラフレーズ制御よりも平均ドリフトを高くし、一般的な単語の感度を超える効果を示し、SliceShiftは6つのデータセットモデル設定で正である。 PromptShiftは、DriftとSliceShiftの両方を一貫して削減し、マクロ平均のSliceShiftを62.42%低下させ、DifHitRate、HitRate、MRRを改善した。 これらの結果から, モデルトレーニングを使わずに, 同一性優先のドリフトを計測・緩和できることがわかった。

関連論文リスト

• Response Time Enhances Alignment with Heterogeneous Preferences [49.69696266152175]
  簡易な二次信号で選好データセットを増大させることで、住民の平均選好の識別性を回復できることを示す。 私たちの結果は、将来的なデータ収集パイプラインに約束と新たな機会をもたらします。
  論文  参考訳（メタデータ） (2026-05-07T22:05:23Z)
• Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation [17.14852109587492]
  Sequential Recommendation (SR)は、過去のインタラクションシーケンスからユーザの好みを学習し、パーソナライズされた提案を提供する。 大きな言語モデル(LLM)は、アイテム間のセマンティックな関係をキャプチャすることで、有望なソリューションを提供する。 LLMを用いたFAERec(Tail-item Sequential Recommendation)のためのFusion and Alignment Enhancement frameworkを提案する。
  論文  参考訳（メタデータ） (2026-04-04T11:19:08Z)
• TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning [10.314982171290835]
  マルチモーダル・レコメンデーション・システム (MRS) は, ユーザ・イテム相互作用グラフとリッチアイテム・コンテントを共同でモデル化するが, この密結合により学習後, ユーザデータの除去が困難になる。 近似マシンアンラーニング(英語版)は、完全な再トレーニングに代わる効率的な代替手段を提供するが、MSSの既存の方法は、主にモデル全体のほぼ均一な逆更新に依存している。 削除データの影響は均一に分散されていないが、テクトit rankの振る舞い、テクトモダリティのブランチ、およびテクトitnetwork層に不均一に集中している。
  論文  参考訳（メタデータ） (2026-04-02T15:45:03Z)
• Token-Controlled Re-ranking for Sequential Recommendation via LLMs [32.61510378078676]
  CORECは、新しいトークン拡張されたリグレードフレームワークで、レコメンデーション結果の作成に特定のユーザー要求を取り入れている。 CORECは、明示的な属性ベースの信号を通じて、正確なフレキシブルなコントロールで検索結果を再ランク付けすることを可能にする。 実験により、CORECは標準推奨の有効性に関する最先端のベースラインを超えていることが示されている。
  論文  参考訳（メタデータ） (2025-11-22T04:31:19Z)
• MADREC: A Multi-Aspect Driven LLM Agent for Explainable and Adaptive Recommendation [11.430206422495829]
  マルチアスペクト駆動型LLMエージェントMADRecは、レビューからマルチアスペクト情報の教師なし抽出によってユーザとアイテムのプロファイルを構築する自動レコメンデータである。 MADRecはアスペクトカテゴリに基づく要約を通じて構造化プロファイルを生成し、高密度入力を構築するためにRe-Rankingを適用する。 複数の領域にわたる実験により、MADRecは従来のLCMベースのベースラインよりも精度と説明可能性の両方で優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-15T10:03:29Z)
• 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)
• Self-Calibrated Listwise Reranking with Large Language Models [137.6557607279876]
  大規模言語モデル (LLM) はシーケンシャル・ツー・シーケンス・アプローチによってタスクのランク付けに使用されている。 この階調のパラダイムは、より大きな候補集合を反復的に扱うためにスライディングウインドウ戦略を必要とする。 そこで本稿では,LLMを用いた自己校正リストのランク付け手法を提案する。
  論文  参考訳（メタデータ） (2024-11-07T10:31:31Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)

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。