論文の概要: Learning to Rank Explanations for Recommendation with Language Models

• arxiv url: http://arxiv.org/abs/2611.04775v1
• Date: Tue, 03 Nov 2026 12:15:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:58:50.365446
• Title: Learning to Rank Explanations for Recommendation with Language Models
• Title（参考訳）: 言語モデルを用いたレコメンデーションのためのランク説明の学習
• Abstract要約: 我々は、パーソナライズされた説明ランキングを高密度検索として定式化するテキストベースのフレームワークであるLMStaRを紹介する。 Amazon Beauty、Amazon Toys、Yelpの実験によると、LMStaRは3つのドメインの中で最も高いNDCG@1を達成した。 これらの結果から,タスク適応型言語モデルがパーソナライズされた説明ランキングの可能性を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 2.2153783542347805
• License:
• Abstract: Recommender systems are ubiquitous on the Web, making understandable explanations essential for users. Although large language models (LLMs) increasingly generate natural-language justifications, evaluating their factual grounding and personalized relevance remains challenging. Statement-level ranking offers an alternative by selecting concise, review-derived explanations, enabling fine-grained and reproducible evaluation using established ranking metrics. However, existing statement ranking methods largely rely on collaborative representations, while semantic enhancements often fail to outperform simple user-history popularity baselines. Moreover, directly adapting language models for personalized statement ranking remains largely unexplored. In this work, we introduce LMStaR (Language Models for Statement Ranking), a fully text-based framework that formulates personalized explanation ranking as dense retrieval. A query encoder represents the user's interaction history and target-item metadata, while a statement encoder maps candidate explanations into a shared embedding space. Both encoders are jointly adapted through multi-positive contrastive learning to learn personalized relevance. Experiments on Amazon Beauty, Amazon Toys, and Yelp show that LMStaR achieves the highest NDCG@1 across all three domains, outperforming CLER by 1.06--8.25 points (+11.8--65.9%). It also leads top-five ranking on both Amazon datasets, although CLER remains stronger on Yelp. Task-specific adaptation improves all five evaluated backbones and transfers across domains without target-domain fine-tuning. Counterfactual analyses further reveal the importance of user-specific histories. These findings highlight the potential of task-adapted language models for personalized explanation ranking.
• Abstract（参考訳）: Recommender システムは Web 上でユビキタスであり,ユーザにとって理解可能な説明が不可欠である。 大規模言語モデル(LLM)は、自然言語の正当化をますます生み出すが、それらの事実的根拠とパーソナライズされた関連性を評価することは依然として困難である。 ステートメントレベルのランキングは、簡潔でレビューに由来する説明を選択し、確立されたランキングメトリクスを使用してきめ細かい再現可能な評価を可能にする代替手段を提供する。 しかし、既存のステートメントランキング手法は協調表現に大きく依存するが、セマンティックな拡張は単純なユーザ・ヒストリーの人気ベースラインを上回りません。 さらに、パーソナライズされたステートメントランキングに言語モデルを直接適用する方法については、明らかにされていない。 本研究では,LMStaR(Language Models for Statement Ranking)を提案する。 クエリエンコーダはユーザのインタラクション履歴とターゲットテーマメタデータを表し、ステートメントエンコーダは候補説明を共有埋め込み空間にマッピングする。 両エンコーダは、パーソナライズされた関連性を学ぶために、多陽性のコントラスト学習を通じて共同で適応される。 Amazon Beauty、Amazon Toys、Yelpの実験によると、LMStaRは3つのドメインの中で最も高いNDCG@1を達成しており、CLERを1.06～8.25ポイント(+11.8～65.9%)上回っている。 また、両Amazonデータセットのトップ5ランキングもリードしているが、CLERはYelpに強く依存している。 タスク固有の適応は、ターゲットドメインを微調整することなく、評価された5つのバックボーンとドメイン間の転送を改善します。 カウンターファクト分析は、ユーザー固有の歴史の重要性をさらに明らかにする。 これらの結果から,タスク適応型言語モデルがパーソナライズされた説明ランキングの可能性を浮き彫りにした。

関連論文リスト

• Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation [2.3534886273639457]
  説明可能なレコメンデーションをステートメントレベルのランキング問題として定式化する。 この定式化は、構成による幻覚を緩和し、きめ細かい事実分析を可能にする。 我々は、Amazon Reviews 2014の4つの製品カテゴリから構築された、説明可能なレコメンデーションにおけるステートメントランキングのベンチマークであるStaRを紹介した。
  論文  参考訳（メタデータ） (2026-04-04T13:01:45Z)
• RewardRank: Optimizing True Learning-to-Rank Utility [28.662272762911325]
  本稿では,RewardRankを紹介した。 この結果から, 対実的ユーティリティの直接最適化として, 学習からランクへの変換が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-08-19T18:08:35Z)
• RankList -- A Listwise Preference Learning Framework for Predicting Subjective Preferences [66.76322360727809]
  RankNetを構造化されたリストレベルの監視に一般化するリストワイズ選好学習フレームワークである RankList を提案する。 我々の定式化は確率的枠組みの中で局所的および非局所的ランキング制約を明示的にモデル化する。 実験は多種多様性にまたがる手法の優越性を実証した。
  論文  参考訳（メタデータ） (2025-08-13T13:59:41Z)
• RankingSHAP -- Listwise Feature Attribution Explanations for Ranking Models [48.895510739010355]
  このギャップに対処するための重要な貢献は3つあります。 まず、ランキングモデルに対するリストワイズ機能属性を厳格に定義する。 第2に、ランク付けSHAPを導入し、人気のあるSHAPフレームワークを拡張して、ランク付け属性をリストワイズする。 第3に、学習からランクへのモデルにおける属性の忠実度を評価するための2つの新しい評価パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-03-24T10:45:55Z)
• Hierarchical Indexing for Retrieval-Augmented Opinion Summarization [60.5923941324953]
  本稿では,抽出アプローチの帰属性と拡張性と,大規模言語モデル(LLM)の一貫性と拡散性を組み合わせた,教師なし抽象的意見要約手法を提案する。 我々の方法であるHIROは、意味的に整理された離散的な階層を通して文を経路にマッピングするインデックス構造を学習する。 推測時にインデックスを投入し、入力レビューから人気意見を含む文群を識別し、検索する。
  論文  参考訳（メタデータ） (2024-03-01T10:38:07Z)
• TRIVEA: Transparent Ranking Interpretation using Visual Explanation of Black-Box Algorithmic Rankers [4.336037935247747]
  ランク付けスキームは、どこで勉強するか、誰を雇うか、何を買うかなど、多くの現実世界の意思決定を促します。 これらの決定の核心は、データエンティティの順序を決定する不透明なランキングスキームである。 我々は、利用可能なデータから学習するアルゴリズム的なランク付けと、説明可能なAI(XAI)手法を用いて学習したランキング差について人間の推論を行うことで、ランキング解釈における透明性の実現を目指している。
  論文  参考訳（メタデータ） (2023-08-28T16:58:44Z)
• Using Natural Language Explanations to Rescale Human Judgments [81.66697572357477]
  大規模言語モデル(LLM)を用いて順序付けアノテーションと説明を再スケールする手法を提案する。 我々は、アノテータのLikert評価とそれに対応する説明をLLMに入力し、スコア付けルーリックに固定された数値スコアを生成する。 提案手法は,合意に影響を及ぼさずに生の判断を再スケールし,そのスコアを同一のスコア付けルーリックに接する人間の判断に近づける。
  論文  参考訳（メタデータ） (2023-05-24T06:19:14Z)
• Retrieval-based Disentangled Representation Learning with Natural Language Supervision [61.75109410513864]
  本稿では,VDR(Vocabulary Disentangled Retrieval)を提案する。 提案手法では,両エンコーダモデルを用いて語彙空間におけるデータと自然言語の両方を表現する。
  論文  参考訳（メタデータ） (2022-12-15T10:20:42Z)
• Explain and Conquer: Personalised Text-based Reviews to Achieve Transparency [0.0]
  我々はTripAdvisorプラットフォームに焦点を合わせ、他のdyadicデータコンテキストの適用性について検討した。 我々の目的は、エージェントが確立したペア(ユーザ、レストラン)を表現し、パーソナライゼーションを考慮して説明することである。 我々はPTER(Personalized TExt-based Reviews)モデルを提案し、特定のレストランの利用可能なレビューから、特定のユーザーインタラクションに適合するレビューを予測する。
  論文  参考訳（メタデータ） (2022-05-03T20:04:32Z)
• On Cross-Lingual Retrieval with Multilingual Text Encoders [51.60862829942932]
  言語間文書・文検索タスクにおける最先端多言語エンコーダの適合性について検討する。 教師なしのアドホック文と文書レベルのCLIR実験でそれらの性能をベンチマークする。 我々は、ゼロショット言語とドメイン転送CLIR実験のシリーズにおける英語関連データに基づいて、教師付き方式で微調整された多言語エンコーダの評価を行った。
  論文  参考訳（メタデータ） (2021-12-21T08:10:27Z)

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。