論文の概要: Fair Multi-Stakeholder News Recommender System with Hypergraph ranking
- arxiv url: http://arxiv.org/abs/2012.00387v2
- Date: Tue, 9 Feb 2021 08:59:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 10:40:06.451722
- Title: Fair Multi-Stakeholder News Recommender System with Hypergraph ranking
- Title（参考訳）: ハイパーグラフランキング付き公正多人数ニュースレコメンダシステム
- Authors: Alireza Gharahighehi, Celine Vens, Konstantinos Pliakos
- Abstract要約: 一部のドメインでは、システム内の利害関係者はユーザだけではない。
本稿では,ハイパーグラフ学習がマルチステークホルダ推薦タスクの自然な処理能力を持つことを示す。
タイムワイドなラウンドでレコメンデーションを作成し、利害関係者の重みに適応して、低カバレッジの利害関係者のカバー範囲を時間とともに増やすことを学びます。
- 参考スコア（独自算出の注目度）: 0.34376560669160383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems are typically designed to fulfill end user needs.
However, in some domains the users are not the only stakeholders in the system.
For instance, in a news aggregator website users, authors, magazines as well as
the platform itself are potential stakeholders. Most of the collaborative
filtering recommender systems suffer from popularity bias. Therefore, if the
recommender system only considers users' preferences, presumably it
over-represents popular providers and under-represents less popular providers.
To address this issue one should consider other stakeholders in the generated
ranked lists. In this paper we demonstrate that hypergraph learning has the
natural capability of handling a multi-stakeholder recommendation task. A
hypergraph can model high order relations between different types of objects
and therefore is naturally inclined to generate recommendation lists
considering multiple stakeholders. We form the recommendations in time-wise
rounds and learn to adapt the weights of stakeholders to increase the coverage
of low-covered stakeholders over time. The results show that the proposed
approach counters popularity bias and produces fairer recommendations with
respect to authors in two news datasets, at a low cost in precision.
- Abstract（参考訳）: 通常、レコメンダシステムはエンドユーザのニーズを満たすように設計されている。
しかし、一部のドメインでは、システム内の利害関係者はユーザだけではない。
例えば、ニュースアグリゲータのウェブサイトユーザー、著者、雑誌、およびプラットフォーム自体が潜在的な利害関係者である。
共同フィルタリングレコメンデーションシステムのほとんどは、人気バイアスに悩まされている。
したがって、レコメンダシステムがユーザの好みのみを考慮すれば、おそらく人気プロバイダを過剰に表現し、あまり人気がないプロバイダを過度に表現する。
この問題に対処するには、生成されたランキングの他の利害関係者を考慮する必要がある。
本稿では,ハイパーグラフ学習がマルチステークホルダ推薦タスクの自然な処理能力を持つことを示す。
ハイパーグラフは、異なるタイプのオブジェクト間の高次関係をモデル化できるため、複数の利害関係者を考慮したレコメンデーションリストを生成する傾向があります。
タイムワイドなラウンドでレコメンデーションを作成し、利害関係者の重みに適応して、低カバレッジ利害関係者のカバー範囲を時間とともに増やすことを学びます。
その結果,提案手法は人気バイアスに反し,2つのニュースデータセットの著者に対して,精度が低く,より公平なレコメンデーションが得られた。
関連論文リスト
- Large Language Models as Recommender Systems: A Study of Popularity Bias [46.17953988777199]
人気アイテムは不釣り合いに推奨され、あまり人気がないが、潜在的に関連のあるアイテムを誇張している。
近年,汎用大規模言語モデルのレコメンデーションシステムへの統合が進んでいる。
本研究は,LLMがレコメンデーションシステムにおける人気バイアスに寄与するか否かを検討する。
論文 参考訳（メタデータ） (2024-06-03T12:53:37Z) - The Fault in Our Recommendations: On the Perils of Optimizing the Measurable [2.6217304977339473]
エンゲージメントの最適化は、大きなユーティリティ損失をもたらす可能性があることを示す。
我々は、最初は人気コンテンツとニッチコンテンツの混在を推奨するユーティリティ・アウェア・ポリシーを提案する。
論文 参考訳（メタデータ） (2024-05-07T02:12:17Z) - Impression-Aware Recommender Systems [57.38537491535016]
新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。
研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - Managing multi-facet bias in collaborative filtering recommender systems [0.0]
アイテムグループ間のバイアスドレコメンデーションは、システムに対するユーザの不満を引き起こすとともに、アイテムプロバイダの利益を脅かす可能性がある。
本研究の目的は,最先端の協調フィルタリング推薦アルゴリズムの出力における地理的起源と人気に関する新たなタイプの交叉バイアスを管理することである。
2つの実世界の映画と書籍のデータセットに関する大規模な実験は、アイテムの生産大陸に富んだものであり、提案アルゴリズムが精度と上記のバイアスの両タイプの間に合理的なバランスをとっていることを示している。
論文 参考訳（メタデータ） (2023-02-21T10:06:01Z) - Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。
我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。
どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
論文 参考訳（メタデータ） (2022-11-23T22:20:12Z) - FedGRec: Federated Graph Recommender System with Lazy Update of Latent
Embeddings [108.77460689459247]
プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。
本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。
我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
論文 参考訳（メタデータ） (2022-10-25T01:08:20Z) - 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) - The Unfairness of Popularity Bias in Book Recommendation [0.0]
人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。
本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。
以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
論文 参考訳（メタデータ） (2022-02-27T20:21:46Z) - Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。
本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。
パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
論文 参考訳（メタデータ） (2021-11-25T06:04:59Z) - PipAttack: Poisoning Federated Recommender Systems forManipulating Item
Promotion [58.870444954499014]
一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。
本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-21T06:48:35Z) - On component interactions in two-stage recommender systems [82.38014314502861]
2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。
ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。
特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
論文 参考訳（メタデータ） (2021-06-28T20:53:23Z)
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。