論文の概要: FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms

• arxiv url: http://arxiv.org/abs/2002.10764v2
• Date: Tue, 23 Jun 2020 12:54:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:54:42.352765
• Title: FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms
• Title（参考訳）: fairrec:双方向プラットフォームにおけるパーソナライズドレコメンデーションのための2面公平性
• Authors: Gourab K Patro, Arpita Biswas, Niloy Ganguly, Krishna P. Gummadi, Abhijnan Chakraborty
• Abstract要約: 両面のオンラインプラットフォームにおけるフェアレコメンデーションの問題について検討する。 当社のアプローチでは、公正な推奨問題の新たなマッピングと、特定不可能な商品をかなり割当する問題の制約付きのバージョンが関係している。 提案したFairRecアルゴリズムは、ほとんどの生産者に対して少なくともマクシミン・シェア(MMS)の露出を保証し、すべての顧客に対してEvy-Free to Oneアイテム(EF1)のフェアネスを保証します。
• 参考スコア（独自算出の注目度）: 36.35034531426411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the problem of fair recommendation in the context of two-sided online platforms, comprising customers on one side and producers on the other. Traditionally, recommendation services in these platforms have focused on maximizing customer satisfaction by tailoring the results according to the personalized preferences of individual customers. However, our investigation reveals that such customer-centric design may lead to unfair distribution of exposure among the producers, which may adversely impact their well-being. On the other hand, a producer-centric design might become unfair to the customers. Thus, we consider fairness issues that span both customers and producers. Our approach involves a novel mapping of the fair recommendation problem to a constrained version of the problem of fairly allocating indivisible goods. Our proposed FairRec algorithm guarantees at least Maximin Share (MMS) of exposure for most of the producers and Envy-Free up to One item (EF1) fairness for every customer. Extensive evaluations over multiple real-world datasets show the effectiveness of FairRec in ensuring two-sided fairness while incurring a marginal loss in the overall recommendation quality.
• Abstract（参考訳）: 我々は,一方の顧客と他方のプロデューサからなる双方向オンラインプラットフォームの文脈において,公正な推薦の問題を考察する。 従来のレコメンデーションサービスは、個々の顧客の好みに応じて結果を調整することで、顧客満足度を最大化することに注力してきた。 しかし,調査の結果,このような顧客中心のデザインが生産者間での不公平な露光を招きかねないことが判明した。 一方、プロデューサ中心のデザインは顧客に不公平になるかもしれません。 したがって、顧客と生産者の両方にまたがる公平性の問題を考える。 提案手法では,公平なレコメンデーション問題に対する新しいマッピングを,かなり分別不能な商品を割り当てる問題の制約付きバージョンへ適用する。 提案するfairrecアルゴリズムは,生産者の大部分に対して少なくとも最大露出率 (mms) を保証し,顧客毎に最大1項目 (ef1) の公平性を保証する。 複数の実世界のデータセットに対する大規模な評価は、FairRecが2面の公平性を確保しつつ、全体的なレコメンデーション品質に限界損失をもたらしていることを示す。

関連論文リスト

• 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)
• Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large Language Model Recommendation [52.62492168507781]
  LLM(FaiRLLM)を用いたFairness of Recommendationと呼ばれる新しいベンチマークを提案する。 このベンチマークは、慎重に作成されたメトリクスと、8つの機密属性を考慮に入れたデータセットで構成されている。 FaiRLLMベンチマークを用いて、ChatGPTの評価を行い、レコメンデーションを生成する際には、いくつかの機密属性に対して不公平であることがわかった。
  論文  参考訳（メタデータ） (2023-05-12T16:54:36Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems [5.145741425164946]
  本稿では,消費者側と生産側の両方から公平性制約をシームレスに統合する最適化に基づく再ランク付け手法を提案する。 提案手法は, 消費者と生産者の公正性を両立させ, 全体的な推奨品質を低下させることなく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-17T20:38:02Z)
• The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation [4.578469978594752]
  本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。 アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。 本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
  論文  参考訳（メタデータ） (2022-02-27T08:02:19Z)
• Towards Fair Recommendation in Two-Sided Platforms [36.35034531426411]
  特定不可能な商品を適切に配置する問題の制約されたバージョンに対して、公平にパーソナライズされたレコメンデーション問題を提案する。 提案した em FairRec アルゴリズムは,生産者への露出の Maxi-Min Share (alpha$-MMS) を保証し,顧客には Envy-Free to One Item (EF1) を付与する。
  論文  参考訳（メタデータ） (2021-12-26T05:14:56Z)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers [10.112208859874618]
  私たちは、顧客とプロバイダーの両方のための両面公平性認識推奨モデル(TFROM)を設計します。 実験では、TFROMはベースラインアルゴリズムよりも高いレベルのパーソナライゼーションを維持しながら、より良い両面公平性を提供する。
  論文  参考訳（メタデータ） (2021-04-19T02:46:54Z)

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。