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
- Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-07T23:58:19Z) - 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) - Discovering Many Diverse Solutions with Bayesian Optimization [7.136022698519586]
信頼領域を用いたランク順ベイズ最適化(ROBOT)を提案する。
ROBOTは、ユーザが特定した多様性基準に従って、多様なハイパフォーマンスソリューションのポートフォリオを見つけることを目的としている。
そこで本研究では,機能評価をほとんど必要とせず,高い性能の多様な解を多数発見できることを示す。
論文 参考訳(メタデータ) (2022-10-20T01:56:38Z) - 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) - Bayesian Optimisation for Mixed-Variable Inputs using Value Proposals [10.40799693791025]
カテゴリー変数と連続変数の両方で定義される最適化問題。
包括的視点を採用し、分類的および連続的な部分空間の最適化を統合することを目的としている。
この統一アプローチは、既存の混合変数最適化アプローチよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2022-02-10T04:42:48Z) - Choosing the Best of Both Worlds: Diverse and Novel Recommendations
through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。
SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。
実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文 参考訳(メタデータ) (2021-10-28T13:22:45Z) - DeepFair: Deep Learning for Improving Fairness in Recommender Systems [63.732639864601914]
レコメンダーシステムにおけるバイアス管理の欠如は、少数派が不公平な勧告を受けることになる。
本稿では,ユーザの人口統計情報を知ることなく,公平さと正確さを最適なバランスで組み合わせたDeep Learningベースの協調フィルタリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-09T13:39:38Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳(メタデータ) (2020-02-23T06:40:48Z)
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。