우리는 NAILS(Normative Alignment of Recommender Systems via Internal Label Shift)를 소개합니다. 이는 카테고리와 같은 아이템 수준 속성에 대한 목표 분포와 추천 출력을 정렬하는 간단하고 확장 가능한 방법입니다. 사용자 참여만을 위해 최적화된 추천 시스템은 공정성, 다양성, 편집 가치 등 더 광범위한 규범적 목표를 충족시키지 못하는 경우가 많습니다. NAILS는 기존 추천 시스템이 학습한 선호도를 유지하면서도, 속성에 대한 지정된 주변 분포(marginal distribution)를 유도하기 위해 사용자 조건부 아이템 분포(user-conditional item distribution)를 수정합니다. 또한 모델 재학습을 요구하지 않습니다. 우리는 이 문제를 계층적 분류 프레임워크 내에서 적용되는 레이블 이동(label shift)의 한 형태로 공식화합니다. 이해관계자 중심 관점(stakeholder-centric perspective)을 채택함으로써, NAILS는 추천 출력이 글로벌 규범적 목표와 정렬되도록 합니다. 경험적으로, 우리는 NAILS가 사용자 참여에 미치는 영향은 최소화하면서 속성 수준의 정렬을 일관되게 개선함을 보여주며, 이는 가치 기반 추천을 위한 실용적인 메커니즘을 제공합니다.