К содержанию
Олег НагорныйRecSys2026
← Все темы

НаправлениеHUMAN

Контроль, объяснения и интересы участников

Равномерная выдача, понятный текст и редактируемая память ещё не означают справедливости, верного объяснения и реальных полномочий человека.

75 материалов с этим тегом · 46 с этой темой в качестве главной · в каталоге →

  1. 01

    Контроль должен доходить до исполнения и отзыва

    User-Governed Memory описывает происхождение и жизненный цикл предпочтений, Intent Layers добавляет ограничения передачи и действия, а Shape Your Feed подключает пользовательские команды к работающей ленте. Различие принципиально: показать человеку профиль проще, чем гарантировать соблюдение правки всеми downstream-компонентами. Воздержание от действия дополняет этот контракт, но отказ, уточнение и смену решения следует проверять как разные исходы. CORGI переводит голосование в общую политику с административным утверждением и прослеживаемыми вкладами сигналов; это не гарантия исполнения индивидуального пожелания. Teaching Recommenders to Listen предлагает постоянную инструкцию и отчёт о её исполнении на уровне новостной коллекции, но эксперименты ещё запланированы. Исследование контрастивных объяснений дополнительно показывает, почему запрос альтернатив и вопрос об исключённом объекте стоит различать: воспринимаемая необходимость не равна универсальной пользе более длинного объяснения.

  2. 02

    Справедливость ограничена кандидатами и смыслом управляющей шкалы

    FairSAE меняет upstream-пул, чтобы нужные поставщики вообще могли попасть в итоговую выдачу. Expected Fairness калибрует связь штрафа с измеряемой экспозицией, а Illusion of Control показывает, как распределения скоров и корреляции целей искажают смысл весов. SPACE действует ещё раньше, аугментируя хвостовые взаимодействия. Ни равный вес, ни расширение хвоста не доказывают соблюдения реальной ёмкости поставщиков или отсутствия потерь для отдельных пользователей.

  3. 03

    Убедительность, соответствие фактам и верность решению различны

    FASC проверяет аспекты объяснения относительно отзыва, контрфактический аудит reasoning измеряет чувствительность повторного решения к тексту, а исследование ограниченного внимания меняет только порядок фактов. Эти дизайны отвечают на разные вопросы. Согласованность с review не раскрывает механизм ранкера, красивое объяснение не доказывает верности причины, а рост согласия после перестановки предложений не равен лучшему пользовательскому выбору. Discover Weakly No More отделяет переживаемое музыкальное открытие от новизны и редкости, включая возможность возвращения к прежним вкусам; предложенная формула пока не валидирована. EGRec измеряет изменение прогнозов после гипотетической реакции, а не само переживание открытия, причём его симуляционный эффект неоднороден. Поэтому покрытие каталога, открытые категории и ценность опыта нельзя свести к одному показателю discovery.

Работы по теме

  1. 002

    A Redundancy Reduction Approach for Controllable Sequential Recommendations

    #Контроль, объяснения и интересы участников#История, время и последовательности
  2. 013

    Consensus vs. Dissent: Dynamic LLM Modeling of Subjective Preferences in Group Recommenders

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  3. 018

    Decoupled Learning and Selection in Slate Recommendation for Privacy and Stability Under Noisy Scores

    #Контроль, объяснения и интересы участников#Промышленное ранжирование и стоимость
  4. 019

    Do We Care About Personalization and Explainability? An Interview Study with News Recommendation Engineers

    #Контроль, объяснения и интересы участников#Промышленное ранжирование и стоимость#Домены, группы и мультимодальные задачи
  5. 023

    FASC: A Feature Aspect-Level Sentiment Consistency Framework for Explainable Recommendation Evaluation

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  6. 025

    From Constraint to Control: Modeling Expected Fairness in Ranking Systems

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  7. 027

    GTP: Mitigating Popularity Bias in PLM-based Sequential Recommendation via Group-Aware Token Pruning

    #Контроль, объяснения и интересы участников#История, время и последовательности#Языковые модели, диалог и агенты
  8. 031

    Give the Long-tail More SPACE: Promoting Provider Fairness in Next POI Recommendation

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи#Генерация и семантические коды
  9. 036

    Inverse Theory of Mind Modeling for Content Recommendation: From Web Browsing to Dynamic Intelligent Interfaces

    #Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  10. 038

    MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets

    #Домены, группы и мультимодальные задачи#Контроль, объяснения и интересы участников
  11. 039

    MaskPoison: Intent-Guided Poisoning Attacks on Sequential Recommendation via Masked Discrete Diffusion

    #Контроль, объяснения и интересы участников#Генерация и семантические коды#История, время и последовательности
  12. 040

    Membership Inference Attacks on In-Context Learning Recommendation

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  13. 047

    Reducing Perceived Polarization through Affect-Balanced News Reframing

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  14. 050

    Safety-Aware Next-POI Recommendation with Large Language Models

    #Домены, группы и мультимодальные задачи#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  15. 054

    TRACE: Targeted Ranking-Aware Counterfactual Explanation for Sequential Recommendation

    #Контроль, объяснения и интересы участников#История, время и последовательности
  16. 057

    The Utility of LLMs in Recommender Systems Explanation Evaluation

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  17. 058

    There’s Something About You: Epistemic Recommendation for Latent Interest Discovery

    #Контроль, объяснения и интересы участников#История, время и последовательности#Оценка, причинность и достоверность вывода
  18. 060

    Towards welfare-oriented recommendations in activity-travel behavior

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  19. 062

    When Do Contrastive Explanations Really Matter in Recommender Systems?

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  20. 063

    When attention is bounded, structure matters: personalizing recommendation explanations under time constraints

    #Контроль, объяснения и интересы участников
  21. 066

    Assessing Sentiment Semantics in KG-Based Explainable Recommender Systems

    #Коллаборативность и геометрия представлений#Контроль, объяснения и интересы участников
  22. 069

    Candidate Retrieval for Provider Fairness under Severe Recommendation Imbalance

    #Контроль, объяснения и интересы участников#Коллаборативность и геометрия представлений#Промышленное ранжирование и стоимость
  23. 071

    Comparability for Recommendation Model Evaluation and Selection from a Multi-stakeholder Perspective

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  24. 075

    Enriching Graph-Based Modeling with Sequential Signals for Explainable Course Recommendation

    #Коллаборативность и геометрия представлений#История, время и последовательности#Контроль, объяснения и интересы участников
  25. 079

    Interaction Modality and Trust: Investigating System-Driven Conversational Recommendation and Faceted Search

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  26. 083

    PriCoRec: A Privacy-Aware Cloud–Device Collaborative Framework for Ad Recommendation under Feature Constraints

    #Реклама и рекомендации#Контроль, объяснения и интересы участников#Промышленное ранжирование и стоимость
  27. 093

    A Position Paper on Recommender Systems in the Era of Autonomous Agents

    #Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость#Контроль, объяснения и интересы участников
  28. 094

    Backward and Inward: From Preferences to Personalization and the Safety Crisis Within Conversational Recommender Systems

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  29. 095

    Beyond Passive Preference Inference: User-Governed Preference Memory and Calibrated Initiative in Recommender Systems

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  30. 098

    Forward and Outward: From Aggregate to Individual and Towards Human Understanding in Conversational Recommendation

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  31. 099

    From Side Information and Knowledge Graphs to Large Language Models: Two Decades of Knowledge Integration in Recommender Systems

    #Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  32. 100

    From User–Item Edges to Exposure Allocation: Matching Evidence to Platform-Level Recommender Claims

    #Оценка, причинность и достоверность вывода#Промышленное ранжирование и стоимость#Контроль, объяснения и интересы участников
  33. 101

    Some People Are Worth Recommending For: Twenty Years of Progress, Gaps, and Opportunities For and With Children at RecSys

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  34. 102

    The Underrated Catalyst: Advancing Critiquing Towards Steerable and Next-Generation LLM Recommendations.

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  35. 103

    Towards the Human-Centered Study of Recommender System Providers

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  36. 104

    User-Controlled Intent Layers for LLM-Mediated Personalization: A Research Agenda for Recommender Systems

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  37. 105

    Who Are We Recommending To? Recommender Systems in the Agentic Web

    #Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  38. 106

    Attacking and Defending Multi-Agent Collaborative Filtering Systems Through Connectivity

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Коллаборативность и геометрия представлений
  39. 111

    hoploy: a Plugin-Based Inference Layer for Path-Based Explainable Recommendation over Knowledge Graphs

    #Промышленное ранжирование и стоимость#Коллаборативность и геометрия представлений#Контроль, объяснения и интересы участников
  40. 124

    Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music

    #Промышленное ранжирование и стоимость#Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  41. 171

    REEF: Real-time end-to-end Explore-Exploit framework for e-commerce Feeds

    #Промышленное ранжирование и стоимость#Контроль, объяснения и интересы участников
  42. 178

    Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Промышленное ранжирование и стоимость
  43. 180

    Space Efficient Item Embeddings for Large Recommender Systems

    #Промышленное ранжирование и стоимость#Коллаборативность и геометрия представлений#Контроль, объяснения и интересы участников
  44. 192

    Uncertainty-Aware Reward Modeling: A Large-Scale Case Study in Video Recommendation

    #Промышленное ранжирование и стоимость#Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  45. 199

    Blended User Embeddings for Steerable Matrix Factorization

    #Контроль, объяснения и интересы участников#Коллаборативность и геометрия представлений#Языковые модели, диалог и агенты
  46. 200

    Calibrating Recommendations on Ordinal Attributes

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  47. 202

    Cross-Spectrum Candidate Set Analysis for Popularity-Aware Recommendation

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников
  48. 203

    Deadweight Loss in Recommendation Systems

    #Реклама и рекомендации#Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  49. 207

    Exploring Revealed Behavior and Stated Profiles in Longitudinal News Recommendation

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  50. 208

    How Faithful Is the Reasoning of LLM Recommenders? A Counterfactual Audit

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  51. 214

    PCP-Decoding: Training-Free Personalized Category-Relative Popularity Calibration for Generative Retrieval

    #Контроль, объяснения и интересы участников#Генерация и семантические коды
  52. 215

    Pairwise Ranking Outperforms Single-Action RL for Offline Explanation Selection: A Practical Lesson

    #Контроль, объяснения и интересы участников#Промышленное ранжирование и стоимость#Оценка, причинность и достоверность вывода
  53. 216

    Personalized Fashion Discovery via Session Trajectories and Soft Negatives

    #Домены, группы и мультимодальные задачи#Контроль, объяснения и интересы участников
  54. 220

    SERA: A Multi-Dimensional Evaluation Framework for Retail Agentic Shopping Assistants

    #Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  55. 224

    The Illusion of Control: Commensurability, Concentration, and Correlation in Multi-Objective Recommendation

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  56. 227

    What price fairness? Evaluating Energy – Fairness – Accuracy Trade-off in Recommender Systems

    #Контроль, объяснения и интересы участников#Промышленное ранжирование и стоимость#Оценка, причинность и достоверность вывода
  57. 228

    When Should Recommender Systems Not Act?

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты
  58. 229

    Whose Posts Get Ranked: Identical-Text Exposure Gaps in Bluesky Custom Feeds

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников
  59. 234

    CORGI: Communal Feed Governance for Bluesky

    #Контроль, объяснения и интересы участников#Промышленное ранжирование и стоимость
  60. 239

    How Would You Like Your Recommendations? p-book, a Self-Recommending Living Book That Teaches How Recommender Systems Work

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты
  61. 240

    Loom: LLM-Powered Naturally Embedded Recommendation

    #Реклама и рекомендации#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  62. 241

    Lumi: An LLM-Grounded System for Safety-Aware POI Recommendations

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  63. 243

    ReBait: From Clickbait to Informed Choice in Live News Recommendation Feeds

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи
  64. 246

    StreamlitRecommenders: Towards Recommendation Inspectability as a New Reproducibility Standard

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников
  65. 247

    Tasteprint: Cross-Platform Recommendation Agent

    #Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  66. 248

    ValueVet: Auditing Recommender Systems for Fairness and Value Alignment Using Constitutional AI Principles

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода#Языковые модели, диалог и агенты
  67. 249

    WiseFood: A Multi-Task Conversational Recommender for Trustworthy, Integrated, and Personalized Dietary Guidance

    #Домены, группы и мультимодальные задачи#Языковые модели, диалог и агенты#Контроль, объяснения и интересы участников
  68. 251

    Aligning Algorithms with Axiology: Operationalizing Journalistic Values in News Recommender Systems

    #Контроль, объяснения и интересы участников#Домены, группы и мультимодальные задачи
  69. 252

    Discover Weakly No More: User-Centric Design Criteria for Discovery in Music Recommendation

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода#Домены, группы и мультимодальные задачи
  70. 254

    Human Value in Recommendations: Towards Improved Evaluation Measures

    #Оценка, причинность и достоверность вывода#Контроль, объяснения и интересы участников
  71. 255

    Teaching Recommenders to Listen: Bidirectional Natural-Language Control for Personalized News

    #Контроль, объяснения и интересы участников#Языковые модели, диалог и агенты#Домены, группы и мультимодальные задачи
  72. 256

    Toward Human-Aligned Recommender Systems via Cognitive and Behavioral User Modeling

    #Контроль, объяснения и интересы участников
  73. 257

    Transparency and Control for Provider-side Recommendation Interfaces

    #Контроль, объяснения и интересы участников
  74. 263

    Cognitive Biases in Recommender Systems — материалы COBIS RecSys 2026

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
  75. 266

    Cognitive Biases in Recommender Systems

    #Контроль, объяснения и интересы участников#Оценка, причинность и достоверность вывода
RecSys2026

Разборы работ RecSys 2026 · обновлено 2026-10-16.