論文の概要: Causality-Aware Neighborhood Methods for Recommender Systems

• arxiv url: http://arxiv.org/abs/2012.09442v2
• Date: Sat, 30 Jan 2021 05:57:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 07:14:20.256317
• Title: Causality-Aware Neighborhood Methods for Recommender Systems
• Title（参考訳）: レコメンダシステムのための因果関係を意識した近傍手法
• Authors: Masahiro Sato, Sho Takemori, Janmajay Singh, Qian Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.0919302844782717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The business objectives of recommenders, such as increasing sales, are aligned with the causal effect of recommendations. Previous recommenders targeting for the causal effect employ the inverse propensity scoring (IPS) in causal inference. However, IPS is prone to suffer from high variance. The matching estimator is another representative method in causal inference field. It does not use propensity and hence free from the above variance problem. In this work, we unify traditional neighborhood recommendation methods with the matching estimator, and develop robust ranking methods for the causal effect of recommendations. Our experiments demonstrate that the proposed methods outperform various baselines in ranking metrics for the causal effect. The results suggest that the proposed methods can achieve more sales and user engagement than previous recommenders.
• Abstract（参考訳）: 販売の増加などのレコメンダのビジネス目標は、レコメンデーションの因果効果と一致している。 因果効果を目標とする以前の推奨者は因果推論に逆傾向スコア(ips)を用いる。 しかし、IPSは高い分散に苦しむ傾向にある。 マッチング推定は因果推論分野における別の代表的な方法である。 固有性は使用せず、従って上記の分散問題から解放される。 本研究では,従来の近所推薦法とマッチング推定法を統合し,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。 本実験では,提案手法が,因果効果の指標において,様々な基準値を上回ることを実証する。 その結果,提案手法は従来よりもセールスやユーザエンゲージメントを向上できる可能性が示唆された。

関連論文リスト

• 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)
• Correcting for Popularity Bias in Recommender Systems via Item Loss Equalization [1.7771454131646311]
  人気アイテムの小さなセットが、高い相互作用率のために推奨結果を支配している。 この現象は、ニッチな興味のある人を無視しながら、メインストリームの趣味を持つユーザーに不当に利益をもたらす。 本稿では,推薦モデルのトレーニングプロセスに介入することで,この問題に対処するプロセス内アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:34:18Z)
• Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
  RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。 因果的観点からRSを定式化し、二元的介入として勧告を定式化する。 提案手法では,結果の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T07:21:02Z)
• 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)
• Treatment Effect Estimation for User Interest Exploration on Recommender Systems [10.05609996672672]
  本稿では,トップN推薦を処理最適化問題とみなすUpliftモデルに基づくRecommenderフレームワークを提案する。 UpliftRecは、観察ユーザフィードバックを用いて、異なるカテゴリの露出比で、クリックスルーレート(CTR)という治療効果を推定する。 UpliftRecはグループレベルの治療効果を計算し、高いCTR報酬でユーザの隠れた関心を発見する。
  論文  参考訳（メタデータ） (2024-05-14T13:22:33Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• 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)
• 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)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• Unbiased Learning for the Causal Effect of Recommendation [8.849159720632612]
  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。
  論文  参考訳（メタデータ） (2020-08-11T07:30:44Z)
• Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions [18.90946044396516]
  音楽ストリーミング、ビデオストリーミング、ニュースレコメンデーション、eコマースサービスは、しばしばシーケンシャルな方法でコンテンツを扱う。 したがって、適切なレコメンデーションのシーケンスの提供と評価は、これらのサービスにとって重要な問題である。 そこで本研究では,アナルアンバイアスの少ない報酬の逐次的相互作用が可能な新しい反事実推定器を提案する。
  論文  参考訳（メタデータ） (2020-07-25T17:58:01Z)

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。