論文の概要: User-centered Evaluation of Popularity Bias in Recommender Systems
- arxiv url: http://arxiv.org/abs/2103.06364v1
- Date: Wed, 10 Mar 2021 22:12:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 01:17:43.245362
- Title: User-centered Evaluation of Popularity Bias in Recommender Systems
- Title（参考訳）: リコメンダーシステムにおける人気バイアスのユーザ中心評価
- Authors: Himan Abdollahpouri, Masoud Mansoury, Robin Burke, Bamshad Mobasher,
Edward Malthouse
- Abstract要約: 推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。
本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。
ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
- 参考スコア（独自算出の注目度）: 4.30484058393522
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation and ranking systems are known to suffer from popularity bias;
the tendency of the algorithm to favor a few popular items while
under-representing the majority of other items. Prior research has examined
various approaches for mitigating popularity bias and enhancing the
recommendation of long-tail, less popular, items. The effectiveness of these
approaches is often assessed using different metrics to evaluate the extent to
which over-concentration on popular items is reduced. However, not much
attention has been given to the user-centered evaluation of this bias; how
different users with different levels of interest towards popular items are
affected by such algorithms. In this paper, we show the limitations of the
existing metrics to evaluate popularity bias mitigation when we want to assess
these algorithms from the users' perspective and we propose a new metric that
can address these limitations. In addition, we present an effective approach
that mitigates popularity bias from the user-centered point of view. Finally,
we investigate several state-of-the-art approaches proposed in recent years to
mitigate popularity bias and evaluate their performances using the existing
metrics and also from the users' perspective. Our experimental results using
two publicly-available datasets show that existing popularity bias mitigation
techniques ignore the users' tolerance towards popular items. Our proposed
user-centered method can tackle popularity bias effectively for different users
while also improving the existing metrics.
- Abstract（参考訳）: レコメンデーションとランキングシステムは人気バイアスに悩まされていることが知られており、アルゴリズムは人気アイテムを数個選んで、他の項目の大半を下書きする傾向にある。
先行研究では、人気バイアスを緩和し、ロングテール、あまり人気のないアイテムの推奨を強化する様々なアプローチを調査した。
これらのアプローチの有効性は、しばしば異なる指標を用いて評価され、人気アイテムの過剰濃度が減少する程度を評価する。
しかし,このバイアスに対するユーザ中心の評価にはあまり注意が払われていない。
本稿では,これらのアルゴリズムをユーザの視点から評価したい場合,人気バイアスの緩和を評価するための既存の指標の限界を示すとともに,これらの制限に対処できる新しい指標を提案する。
さらに,ユーザ中心の観点から,人気バイアスを緩和する効果的なアプローチを提案する。
最後に,近年提案されている最新技術を用いて,人気バイアスを軽減し,既存の指標やユーザの視点から評価する手法について検討する。
2つの公開データセットを用いた実験結果から,既存の人気バイアス緩和手法は,人気項目に対するユーザの寛容さを無視することが示された。
提案手法は,既存指標を改良しつつ,利用者間の人気バイアスを効果的に解消する。
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) - 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) - Metrics for popularity bias in dynamic recommender systems [0.0]
バイアスドレコメンデーションは個人、敏感なユーザーグループ、社会に悪影響を及ぼす可能性のある決定につながる可能性がある。
本稿では,RecSysモデルの出力から直接発生する人気バイアスの定量化に着目する。
RescSysにおける人気バイアスを時間とともに定量化するための4つの指標が提案されている。
論文 参考訳（メタデータ） (2023-10-12T16:15:30Z) - Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
人気バイアスはレコメンデーションシステムの分野で広く問題となっている。
本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
論文 参考訳（メタデータ） (2023-08-22T08:57:44Z) - A Survey on Popularity Bias in Recommender Systems [5.952279576277445]
本稿では、人気バイアスの潜在的な原因について論じ、リコメンダシステムにおける人気バイアスを検出し、緩和し、定量化するための既存のアプローチをレビューする。
本稿では,主に計算実験に基づく研究であり,推奨項目に長期的項目を含めることの実践的効果について,特定の仮定を前提として,今日の文献を批判的に論じる。
論文 参考訳（メタデータ） (2023-08-02T12:58:11Z) - Personalizing Intervened Network for Long-tailed Sequential User
Behavior Modeling [66.02953670238647]
タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。
テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。
本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T02:50:19Z) - Reconciling the Quality vs Popularity Dichotomy in Online Cultural
Markets [62.146882023375746]
本研究では,現在普及している商品に偏りがある可能性のあるランキングアルゴリズムにより,品質基準を隠蔽した$N$アイテムをユーザに推奨する,理想化されたオンライン文化市場のモデルを提案する。
我々のゴールは、人気バイアスが高品質アイテムが低品質アイテムよりも人気になるのを防ぎ、品質と人気ランキングの間に望ましくないミスアライメントをもたらすという、よく知られた事実の根底にあるメカニズムをよりよく理解することである。
論文 参考訳（メタデータ） (2022-04-28T14:36:11Z) - 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) - An Adaptive Boosting Technique to Mitigate Popularity Bias in
Recommender System [1.5800354337004194]
一般的な精度尺度は人気項目に偏りがあり、非人気項目と比較して人気項目の精度が向上する。
本稿では,人気項目と非人気項目の誤りの差として,人気バイアスを測定する指標について考察する。
そこで本研究では,データ中の人気バイアスを低減させるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-13T03:04:55Z) - 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) - Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users'
Feedback [62.997667081978825]
本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。
ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
論文 参考訳（メタデータ） (2020-09-16T07:32:51Z)
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。