論文の概要: Using Stable Matching to Optimize the Balance between Accuracy and
Diversity in Recommendation
- arxiv url: http://arxiv.org/abs/2006.03715v1
- Date: Fri, 5 Jun 2020 22:12:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 04:39:17.316791
- Title: Using Stable Matching to Optimize the Balance between Accuracy and
Diversity in Recommendation
- Title（参考訳）: 推薦における安定マッチングを用いた精度と多様性のバランスの最適化
- Authors: Farzad Eskandanian, Bamshad Mobasher
- Abstract要約: 多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。
集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。
本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
- 参考スコア（独自算出の注目度）: 3.0938904602244355
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Increasing aggregate diversity (or catalog coverage) is an important
system-level objective in many recommendation domains where it may be desirable
to mitigate the popularity bias and to improve the coverage of long-tail items
in recommendations given to users. This is especially important in
multistakeholder recommendation scenarios where it may be important to optimize
utilities not just for the end user, but also for other stakeholders such as
item sellers or producers who desire a fair representation of their items
across recommendation lists produced by the system. Unfortunately, attempts to
increase aggregate diversity often result in lower recommendation accuracy for
end users. Thus, addressing this problem requires an approach that can
effectively manage the trade-offs between accuracy and aggregate diversity. In
this work, we propose a two-sided post-processing approach in which both user
and item utilities are considered. Our goal is to maximize aggregate diversity
while minimizing loss in recommendation accuracy. Our solution is a
generalization of the Deferred Acceptance algorithm which was proposed as an
efficient algorithm to solve the well-known stable matching problem. We prove
that our algorithm results in a unique user-optimal stable match between items
and users. Using three recommendation datasets, we empirically demonstrate the
effectiveness of our approach in comparison to several baselines. In
particular, our results show that the proposed solution is quite effective in
increasing aggregate diversity and item-side utility while optimizing
recommendation accuracy for end users.
- Abstract（参考訳）: 多くのレコメンデーションドメインにおいて、総多様性(もしくはカタログのカバレッジ)の増加は、人気バイアスを緩和し、ユーザに与えられるリコメンデーションにおけるロングテールアイテムのカバレッジを改善することが望ましい重要なシステムレベル目標である。
これは、エンドユーザーだけでなく、システムによって作成されたレコメンデーションリスト全体で商品の公正な表現を望む商品販売者や生産者といった他の利害関係者にとっても、ユーティリティを最適化することが重要となるマルチステークホルダーレコメンデーションシナリオにおいて特に重要である。
残念ながら、集約の多様性を高める試みは、エンドユーザの推奨精度を低下させることが多い。
したがって、この問題に対処するには、精度と集約多様性のトレードオフを効果的に管理できるアプローチが必要である。
本稿では,ユーザとアイテムの両方のユーティリティを考慮した2面後処理手法を提案する。
我々の目標は、推薦精度の損失を最小限に抑えながら、多様性を最大化することです。
我々の解は、よく知られた安定マッチング問題を解くための効率的なアルゴリズムとして提案されたDederred Acceptanceアルゴリズムの一般化である。
提案アルゴリズムは,アイテムとユーザ間の一意なユーザ-最適整合性を証明した。
3つのレコメンデーションデータセットを用いて,いくつかのベースラインと比較して,アプローチの有効性を実証的に実証した。
特に,提案手法は,エンドユーザの推薦精度を最適化しつつ,集約的多様性とアイテム側の有用性を高める上で極めて有効であることを示す。
関連論文リスト
- Context-aware adaptive personalised recommendation: a meta-hybrid [0.41436032949434404]
機械学習を用いて最適なアルゴリズムを予測するメタハイブリッドレコメンデータを提案する。
提案モデルに基づいて、どのレコメンデータがユーザに最も正確なレコメンデーションを提供するかを予測できる。
論文 参考訳（メタデータ） (2024-10-17T09:24:40Z) - Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳（メタデータ） (2024-10-17T01:02:04Z) - 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) - Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。
我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。
我々の戦略は、最先端のライバル数社を上回っている。
論文 参考訳（メタデータ） (2024-08-07T13:48:24Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Disentangled Representation for Diversified Recommendations [41.477162048806434]
正確性と多様性は、リコメンデーションの2つの相反する目標だと考えられてきた。
本稿では,推薦アルゴリズムの選択に依存しない一般的な多様化フレームワークを提案する。
我々のソリューションは、レコメンデーションモジュールの学習したユーザ表現を、カテゴリに依存しない、カテゴリに依存しないコンポーネントに切り離します。
論文 参考訳（メタデータ） (2023-01-13T11:47:10Z) - Diversely Regularized Matrix Factorization for Accurate and Aggregately
Diversified Recommendation [15.483426620593013]
DivMF(Diversely Regularized Matrix Factorization)は、多彩な推薦のための新しい行列分解法である。
我々は,DivMFが総合的に多様化した推薦において最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2022-10-19T08:49:39Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Introducing a Framework and a Decision Protocol to Calibrate Recommender
Systems [0.0]
本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。
主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。
本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
論文 参考訳（メタデータ） (2022-04-07T19:30:55Z) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳（メタデータ） (2022-03-12T16:07:57Z)
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。