論文の概要: Measuring Recommender System Effects with Simulated Users
- arxiv url: http://arxiv.org/abs/2101.04526v1
- Date: Tue, 12 Jan 2021 14:51:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 08:14:03.604709
- Title: Measuring Recommender System Effects with Simulated Users
- Title（参考訳）: シミュレーションユーザによるレコメンダシステム効果の測定
- Authors: Sirui Yao and Yoni Halpern and Nithum Thain and Xuezhi Wang and Kang
Lee and Flavien Prost and Ed H. Chi and Jilin Chen and Alex Beutel
- Abstract要約: 人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。
各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
- 参考スコア（独自算出の注目度）: 19.09065424910035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Imagine a food recommender system -- how would we check if it is
\emph{causing} and fostering unhealthy eating habits or merely reflecting
users' interests? How much of a user's experience over time with a recommender
is caused by the recommender system's choices and biases, and how much is based
on the user's preferences and biases? Popularity bias and filter bubbles are
two of the most well-studied recommender system biases, but most of the prior
research has focused on understanding the system behavior in a single
recommendation step. How do these biases interplay with user behavior, and what
types of user experiences are created from repeated interactions?
In this work, we offer a simulation framework for measuring the impact of a
recommender system under different types of user behavior. Using this
simulation framework, we can (a) isolate the effect of the recommender system
from the user preferences, and (b) examine how the system performs not just on
average for an "average user" but also the extreme experiences under atypical
user behavior. As part of the simulation framework, we propose a set of
evaluation metrics over the simulations to understand the recommender system's
behavior. Finally, we present two empirical case studies -- one on traditional
collaborative filtering in MovieLens and one on a large-scale production
recommender system -- to understand how popularity bias manifests over time.
- Abstract（参考訳）: 食べ物レコメンデーションシステム -- が『emph{causing}』かどうかを確認し、不健康な食事習慣を育むか、単にユーザーの興味を反映させるだけか?
レコメンダシステムの選択とバイアスによって、レコメンダシステムでのユーザの経験のどのくらいが時間の経過とともに引き起こされ、ユーザの好みとバイアスに基づいたものなのでしょうか?
人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つだが、以前の研究のほとんどは、単一のレコメンデーションステップでシステムの振る舞いを理解することに集中している。
これらのバイアスはユーザ行動とどのように相互作用し、反復的なインタラクションからどのようなユーザエクスペリエンスが生成されるのか?
本研究では,ユーザ行動の違いによる推薦システムの影響を測定するためのシミュレーションフレームワークを提案する。
このシミュレーションフレームワークを用いて、(a)ユーザの好みからレコメンダシステムの効果を分離し、(b)「平均ユーザ」だけでなく、非定型ユーザ行動下での極端な体験についてもシステムがどのように機能するかを検討する。
本稿では,シミュレーションフレームワークの一部として,シミュレーション上の評価指標のセットを提案し,レコメンダシステムの振る舞いを理解する。
最後に,映画レンズにおける従来の協調フィルタリングと大規模生産レコメンデーションシステムに関する2つの実証的なケーススタディを提示し,人気バイアスが時間とともにどのように現れるかを理解する。
関連論文リスト
- Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。
本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
論文 参考訳（メタデータ） (2024-09-24T21:54:22Z) - Cold-start Recommendation by Personalized Embedding Region Elicitation [14.78070264373809]
既存のelicitationメソッドは、ユーザの好みを学習するために、固定されたアイテムセットを使用する。
本稿では、この課題を2段階のパーソナライズド・エイコレーション・スキームを用いて解決する。
提案手法では,各サブプロブレムを効率よく実装可能であることを示す。
論文 参考訳（メタデータ） (2024-06-03T04:03:24Z) - System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。
そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
論文 参考訳（メタデータ） (2024-05-29T18:19:37Z) - Learning from Negative User Feedback and Measuring Responsiveness for
Sequential Recommenders [13.762960304406016]
シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。
大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-08-23T17:16:07Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - 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) - Estimating and Penalizing Induced Preference Shifts in Recommender
Systems [10.052697877248601]
システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。
我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。
シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
論文 参考訳（メタデータ） (2022-04-25T21:04:46Z) - Modeling Attrition in Recommender Systems with Departing Bandits [84.85560764274399]
政策に依存した地平線を捉えた新しいマルチアームバンディット構成を提案する。
まず、全てのユーザが同じタイプを共有しているケースに対処し、最近の UCB ベースのアルゴリズムが最適であることを実証する。
次に、ユーザが2つのタイプに分けられる、より困難なケースを前進させます。
論文 参考訳（メタデータ） (2022-03-25T02:30:54Z) - Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。
本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。
実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文 参考訳（メタデータ） (2021-09-13T15:02:55Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。