論文の概要: The Popular Get More Popular: Auditing Brand Bias in Generative Search

• arxiv url: http://arxiv.org/abs/2611.07614v1
• Date: Thu, 05 Nov 2026 07:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.592076
• Title: The Popular Get More Popular: Auditing Brand Bias in Generative Search
• Title（参考訳）: 人気が高まる: ジェネレーティブ検索でブランドバイアスを監査
• Abstract要約: 生成検索は オンライン製品発見を根本的に変えました 本稿では, 先進的な検索エンジンが, 確立した市場リーダーを優遇することによって, リッチ・ゲット・リチャーズ・ダイナミクスを強化していることを示す。
• 参考スコア（独自算出の注目度）: 3.5196731932078236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The shift from traditional to generative search has fundamentally transformed online product discovery. Because conversational recommendations synthesize choices into a few direct answers, subtle systemic preferences toward specific providers can exert profound commercial impacts. In this work, we audit this phenomenon through two distinct dimensions: (i) brand popularity bias, the systematic preference for market-dominant entities over long-tail alternatives, and (ii) brand familiarity bias, the ranking advantage an entity encoded in an LLM's parametric memory holds over an unfamiliar competitor. First, evaluating commercial queries across major engines, we observe persistent brand popularity bias: dominant brands in the top quintile are cited 1.4x to 2.8x more frequently than the average brand within a sample of 1,176 top market players, already present in parametric memory that external web retrieval fails to mitigate. Second, through controlled in-context experiments holding product attributes constant, we find that substituting authentic brand signatures with unfamiliar ones significantly degrades recommendation rank. Conversely, fact-preserving content rewrites yield negligible ranking gains. Taken together, our findings demonstrate that generative search engines reinforce a ``rich-get-richer'' dynamic by favoring established market leaders and imposing a parametric barrier to entry that standard content optimization cannot overcome.
• Abstract（参考訳）: 伝統的検索から生成的検索へのシフトは、オンライン製品発見を根本的に変えた。 会話のレコメンデーションは選択をいくつかの直接的な回答に合成するので、特定の提供者に対する微妙な体系的な嗜好は、商業的に大きな影響を及ぼす可能性がある。 本研究では,この現象を2つの異なる次元で評価する。 (i)ブランド人気バイアス、ロングテールの代替品よりも市場優位のエンティティを体系的に選好すること、 (II)ブランド親和性バイアス、LLMのパラメトリックメモリに符号化されたエンティティのランク付け優位性は、馴染みの無い競合相手を乗り越える。 トップクインタイルの上位ブランドは、1,176人のトップマーケットプレーヤのサンプルの中で平均ブランドよりも1.4倍から2.8倍の頻度で引用され、既にパラメトリックメモリには外部Web検索が緩和できないことが示されている。 第二に、製品属性を一定に保った制御されたコンテキスト内実験により、未知のブランドシグネチャを置換することで、推奨ランクを著しく低下させる。 逆に、事実保存コンテンツの書き直しは、無視できるランキングゲインをもたらす。 本研究は,既存の市場リーダーを優遇し,標準コンテンツ最適化が克服できないというパラメトリック障壁を課すことにより,生成検索エンジンが「リッチ・ゲット・リッチ・リチャー」のダイナミクスを強化していることを示すものである。

関連論文リスト

• UGR: Unified Generative Ranking for Heterogeneous E-commerce Recommendation [5.55954801457163]
  eコマースレコメンデーションのための生成的ランキングは、他のビジネスからのオーガニックコンテンツ、広告、候補者間でユーザユーティリティと商業的価値のバランスをとる必要がある。 本稿では,全要求レベルのマルチビジネス異種候補集合に対して生成ランク付けを行うUnified Generative Ranking (UGR)を提案する。 オンライン実験では、ランキング品質が一貫した向上を示す一方、TaobaoのGuess You LikeレコメンデーションサービスのオンラインA/Bテストでは、Core IPVが1.76%、トランザクションボリュームが3.29%、プロダクションベースラインが2.10%改善している。
  論文  参考訳（メタデータ） (2026-10-29T06:05:08Z)
• Improving Item Discoverability in e-Commerce Search via Related Intent Generation [4.305233699377622]
  目的条件付きリコール拡張を利用した探索拡張検索のためのスケーラブルなシステムを提案する。 提案手法は,関連性を維持しつつ,候補リコールを拡大するための暗黙のユーザ意図を生成する。 我々は,厳密な2つの枠組みを用いてシステムを評価する: (a) LLM-as-a-judge 測定値, (b) セッションレベルの購入分析。
  論文  参考訳（メタデータ） (2026-07-29T17:46:35Z)
• Echoes in Filter Bubble: Diagnosing and Curing Popularity Bias in Generative Recommenders [65.5347571901244]
  本研究では,ジェネレーティブ・フレームワークの最適化とセマンティック・インデックスに基づくアイテム・トークン化に焦点を当てた。 理論的解析から,トークンレベルの最適化欠陥とアイテムトークン化の未分化特性の相違から,厳密な人気バイアスが生じることを確認した。 本研究では、非対称な異種最適化と骨格を基盤としたトークン化を設計し、Ghostと呼ばれる新しい生成レコメンデーションシステムを開発した。
  論文  参考訳（メタデータ） (2026-05-16T06:02:40Z)
• Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation [59.362016745945375]
  第1回LLM-Adnt Recommendation framework(TriRec)を提案する。 TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。 精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-03-11T11:40:13Z)
• Re-Rankers as Relevance Judges [65.37611299805856]
  再ランカ・アズ・レバレンス・ジャッジ設定で再ランカを再現する。 TREC-DL 2019〜2023では,220Mから32Bの3家族から8人の再ランカを対象に実験を行い,再ランカに基づく審査員による評価バイアスを分析した。
  論文  参考訳（メタデータ） (2026-01-08T00:02:59Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Unbiased Learning to Rank with Biased Continuous Feedback [5.561943356123711]
  雑音フィードバックに基づいて相対関係を正確にモデル化するために,非バイアス学習 to ランク(LTR)アルゴリズムを検証した。 パーソナライズされた高品質なレコメンデーション結果を提供するために、レコメンダシステムはカテゴリと継続的なバイアスフィードバックの両方をモデルにする必要があります。 位置バイアス、信頼バイアス、ユーザ関係を明確に区別するために、ペアワイズ信頼バイアスを導入します。 Tencent Newsの公開ベンチマークデータセットと大規模レコメンデータシステムの内部ライブトラフィックの実験結果は、連続ラベルに対して優れた結果を示している。
  論文  参考訳（メタデータ） (2023-03-08T02:14:08Z)
• Managing multi-facet bias in collaborative filtering recommender systems [0.0]
  アイテムグループ間のバイアスドレコメンデーションは、システムに対するユーザの不満を引き起こすとともに、アイテムプロバイダの利益を脅かす可能性がある。 本研究の目的は,最先端の協調フィルタリング推薦アルゴリズムの出力における地理的起源と人気に関する新たなタイプの交叉バイアスを管理することである。 2つの実世界の映画と書籍のデータセットに関する大規模な実験は、アイテムの生産大陸に富んだものであり、提案アルゴリズムが精度と上記のバイアスの両タイプの間に合理的なバランスをとっていることを示している。
  論文  参考訳（メタデータ） (2023-02-21T10:06:01Z)
• Reconciling the Quality vs Popularity Dichotomy in Online Cultural Markets [62.146882023375746]
  本研究では,現在普及している商品に偏りがある可能性のあるランキングアルゴリズムにより,品質基準を隠蔽した$N$アイテムをユーザに推奨する,理想化されたオンライン文化市場のモデルを提案する。 我々のゴールは、人気バイアスが高品質アイテムが低品質アイテムよりも人気になるのを防ぎ、品質と人気ランキングの間に望ましくないミスアライメントをもたらすという、よく知られた事実の根底にあるメカニズムをよりよく理解することである。
  論文  参考訳（メタデータ） (2022-04-28T14:36:11Z)
• Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
  アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。 本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。 パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-11-25T06:04:59Z)

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。