論文の概要: Generate What You Can Trust: Content Credibility in Generative Recommenders

• arxiv url: http://arxiv.org/abs/2610.05670v1
• Date: Mon, 05 Oct 2026 01:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 12:10:00.586844
• Title: Generate What You Can Trust: Content Credibility in Generative Recommenders
• Title（参考訳）: 信頼できるものを生成する: ジェネレーティブレコメンダにおけるコンテンツの信頼性
• Abstract要約: GRの2つのコアステージ(トークン化と生成)にまたがるコンテントの信頼性に対処する最初の信頼性GRモデルであるCreGRを提案する。 トークン化段階では,信頼できない項目に対する識別トークンの学習をモデルに明示的に促す新しい信頼性対応トークン化器を設計する。 生成段階では,離散拡散に基づく新しい精度保存・信頼性指向ジェネレータを提案する。
• 参考スコア（独自算出の注目度）: 13.477367964959676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation (GR) represents items with semantic IDs (i.e., discrete token sequences) and generates target item tokens as recommendations. Despite its promising results, existing methods predominantly optimize for accuracy while neglecting the credibility of the recommendations they generate. This oversight inevitably exposes users to uncredible content (e.g., fake news) with serious societal consequences, including user distrust, reputation harm to platforms, and broader social instability. To address this critical yet underexplored challenge, we propose CreGR, the first credible GR model that jointly tackles content credibility across the two core stages of GR: tokenization and generation. In the tokenization stage, we design a new credibility-aware tokenizer that explicitly encourages the model to learn discriminative tokens respectively for credible and uncredible items, thereby disentangling credibility signals at the token level. Building on this, in the generation stage, we propose a novel accuracy-preserving and credibility-oriented generator grounded in discrete diffusion. Specifically, we introduce an asymmetric masking probability reduction strategy that selectively diminishes the contribution of tokens associated with uncredible content to the generation process, while leaving tokens encoding user preference signals unaffected so as to preserve recommendation accuracy. Experiments on three real-world datasets demonstrate the effectiveness of CreGR.
• Abstract（参考訳）: ジェネレーティブレコメンデーション(GR)は、セマンティックIDを持つアイテム(離散トークンシーケンス)を表現し、レコメンデーションとしてターゲットアイテムトークンを生成する。 有望な結果にもかかわらず、既存の手法は主に正確さを最適化し、それらが生成するレコメンデーションの信頼性を無視する。 この監視は必然的に、ユーザの不信、プラットフォームに対する評判の害、より広範な社会的不安定性など、深刻な社会的結果を伴う、不信なコンテンツ(例えばフェイクニュース)にユーザーをさらけ出す。 この批判的かつ未解明の課題に対処するため、私たちは、GRの2つの中核段階、すなわちトークン化と生成において、コンテントの信頼性に共同で取り組む、最初の信頼性の高いGRモデルであるCreGRを提案する。 トークン化段階では、信頼度を意識した新しいトークン化器を設計し、信頼度と信頼度を区別しない項目に対してそれぞれ識別トークンを学習することをモデルに推奨する。 これに基づいて, 離散拡散に基づく新しい精度保存・信頼性指向ジェネレータを提案する。 具体的には、ユーザの嗜好シグナルを符号化したトークンを残さずに、推薦精度を維持するために、生成プロセスに関連付けられたトークンの寄与を選択的に低減する非対称マスキング確率低減戦略を導入する。 実世界の3つのデータセットの実験では、CreGRの有効性が示されている。

関連論文リスト

• ReliGRec: Reliability-Oriented LLM-Based Generative Recommendation via User-Risk-Aware Prompt Routing [15.062647558548562]
  ユーザレベルの弱リスクプロキシラベルのための弱教師付きフレームワークであるReliGRecを提案する。 ReliGRecは、ユーザのサブセットに対するレビューフィードバック信号から、ユーザレベルの弱いプロキシラベルを導出する。 Dual-View Weak-Risk Estimatorは、ユーザレベルの弱リスクスコアを生成するために、表現を融合する。
  論文  参考訳（メタデータ） (2026-09-15T02:56:30Z)
• 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)
• Verifiable Reasoning for LLM-based Generative Recommendation [106.7765000777685]
  大規模言語モデル(LLM)における推論は、最近、生成的レコメンデーションの強化に強い可能性を示している。 本稿では,信頼性の高いフィードバックを提供するために,検証と推論をインターリーブする新しいTextbftextitreason-verify-recommendパラダイムを提案する。 4つの実世界のデータセットの実験は、VRecが効率を損なうことなく、推奨の有効性とスケーラビリティを大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-03-08T16:55:45Z)
• 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)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking [107.09842504618369]
  ジェネレーティブ・レコメンデーション(GR)は、資源効率の高いレコメンデーションのために、FLOPSの利用率の高いエンド・ツー・エンドのアプローチとして期待されている。 現在のGRモデルは,トークン生成が進むにつれてトークンレベルのバイアスがエスカレートする,重要なtextbfbias増幅問題に悩まされていることを示す。 バイアス増幅問題に対処するためには、GR to 1) がより異質な情報を導入し、2) トークン生成ステップごとにより大きな計算資源を割り当てることが重要である。
  論文  参考訳（メタデータ） (2026-02-03T16:10:54Z)
• ReFIne: A Framework for Trustworthy Large Reasoning Models with Reliability, Faithfulness, and Interpretability [23.70973331911138]
  使用可能な推論システムは、解釈可能性、忠実性、信頼性の3つの特性を特徴とする、信頼できるものでなければならない、と我々は主張する。 本稿では,GRPOと教師付き微調整を統合した新しいトレーニングフレームワークReFIneを提案する。 実験の結果,ReFIneモデルはより明確でより構造化された推論トレースを生成することがわかった。
  論文  参考訳（メタデータ） (2025-10-10T07:08:44Z)

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。