論文の概要: Unbiased Learning for the Causal Effect of Recommendation

• arxiv url: http://arxiv.org/abs/2008.04563v3
• Date: Wed, 23 Sep 2020 11:15:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 11:04:16.381128
• Title: Unbiased Learning for the Causal Effect of Recommendation
• Title（参考訳）: 推薦の因果効果に対する偏りのない学習
• Authors: Masahiro Sato, Sho Takemori, Janmajay Singh, Tomoko Ohkuma
• Abstract要約: 本稿では,推薦の因果効果に対する非バイアス学習フレームワークを提案する。 ランキング尺度の因果効果拡張のための非バイアス学習法を開発した。
• 参考スコア（独自算出の注目度）: 8.849159720632612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increasing users' positive interactions, such as purchases or clicks, is an important objective of recommender systems. Recommenders typically aim to select items that users will interact with. If the recommended items are purchased, an increase in sales is expected. However, the items could have been purchased even without recommendation. Thus, we want to recommend items that results in purchases caused by recommendation. This can be formulated as a ranking problem in terms of the causal effect. Despite its importance, this problem has not been well explored in the related research. It is challenging because the ground truth of causal effect is unobservable, and estimating the causal effect is prone to the bias arising from currently deployed recommenders. This paper proposes an unbiased learning framework for the causal effect of recommendation. Based on the inverse propensity scoring technique, the proposed framework first constructs unbiased estimators for ranking metrics. Then, it conducts empirical risk minimization on the estimators with propensity capping, which reduces variance under finite training samples. Based on the framework, we develop an unbiased learning method for the causal effect extension of a ranking metric. We theoretically analyze the unbiasedness of the proposed method and empirically demonstrate that the proposed method outperforms other biased learning methods in various settings.
• Abstract（参考訳）: 購入やクリックといったユーザのポジティブなインタラクションの増加は,レコメンダシステムの重要な目的である。 レコメンダは通常、ユーザが対話するアイテムを選択することを目的としています。 推奨商品を購入した場合には、売上の増加が期待される。 しかし、推薦なしに購入することは可能であった。 ですから、お勧めによる買い物の結果となるアイテムを推奨したいのです。 これは因果効果の観点からランキング問題として定式化することができる。 その重要性にもかかわらず、この問題は関連する研究でよく研究されていない。 因果効果の根本的真理は観測不可能であり、因果効果の推定は、現在デプロイされている推奨者から生じるバイアスに起因する。 本稿では,推薦の因果効果に対する非バイアス学習フレームワークを提案する。 提案手法は, 逆プロペンサリティスコアリング手法に基づき, 評価指標の非偏差推定器をまず構築する。 そして、確率キャッピングによる推定器の実証的リスク最小化を行い、有限のトレーニングサンプルの分散を低減する。 この枠組みに基づき,ランキング指標の因果効果拡張のための偏りのない学習手法を開発した。 提案手法の非偏りを理論的に解析し,提案手法が様々な環境で他の偏り学習方法よりも優れていることを示す。

関連論文リスト

• Improved Estimation of Ranks for Learning Item Recommenders with Negative Sampling [4.316676800486521]
  レコメンデーションシステムでは、推奨アイテムの数が増加している。 このコストを下げるために、ネガティブな項目をサンプリングすることが一般的になった。 本研究では, 負のサンプリングによって生じるバイアスの補正の利点を実証する。
  論文  参考訳（メタデータ） (2024-10-08T21:09:55Z)
• Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems [142.3424649008479]
  歴史的相互作用の不均一な分布とレコメンダモデルのバイアス付きトレーニングを示す。 デバイアスドトレーニングの鍵は、ユーザの過去の行動と次の行動の両方に影響を与える共同創設者の影響を取り除くことである。 本稿では,非保守的共同設立者に対応するために,因果多教師蒸留フレームワーク(CausalD)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T05:31:00Z)
• A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
  選好選好における選好バイアスの影響について検討した。 大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。 本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-05-01T14:56:56Z)
• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Bilateral Self-unbiased Learning from Biased Implicit Feedback [10.690479112143658]
  バイラテラル・セルフ・アンバイアスド・レコメンダ(BISER)という,新しいアンバイアスド・レコメンダラー・ラーニング・モデルを提案する。 BISERは、(i)自己逆確率重み付け(SIPW)と(ii)モデル予測における2つの相補的モデル間のギャップを埋める両側非バイアス学習(BU)の2つの重要な構成要素から構成される。 大規模な実験により、BISERは複数のデータセットに対して最先端の非バイアスのレコメンデータモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2022-07-26T05:17:42Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Online Evaluation Methods for the Causal Effect of Recommendations [0.20305676256390934]
  本稿では, 因果効果の観点から, 推薦モデルを効率的に比較できる最初のインターリービング手法を提案する。 両項目の成果をインターリーブ付きリストとインターリーブ付きリストに含まない項目で測定する。 次に、シミュレーションオンライン実験により、オンライン評価手法の非バイアス性と効率性を検証する。
  論文  参考訳（メタデータ） (2021-07-14T12:12:59Z)
• Causality-Aware Neighborhood Methods for Recommender Systems [3.0919302844782717]
  販売の増加などのリコメンデーターのビジネス目的は、レコメンデーションの因果効果と一致している。 以前の推奨者は因果推論において逆確率スコアリング(IPS)を採用している。 推薦の因果効果に対するロバストなランキング手法を開発した。
  論文  参考訳（メタデータ） (2020-12-17T08:23:17Z)

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。