論文の概要: The Stereotyping Problem in Collaboratively Filtered Recommender Systems

• arxiv url: http://arxiv.org/abs/2106.12622v1
• Date: Wed, 23 Jun 2021 18:37:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 14:54:51.034960
• Title: The Stereotyping Problem in Collaboratively Filtered Recommender Systems
• Title（参考訳）: 協調フィルタ型推薦システムにおけるステレオタイプ問題
• Authors: Wenshuo Guo, Karl Krauth, Michael I. Jordan, Nikhil Garg
• Abstract要約: 行列分解に基づく協調フィルタリングアルゴリズムは,ある種のステレオタイピングを誘導することを示す。 一般のユーザ層では、テキストセットの好みが反相関性がある場合、これらの項目は、ユーザーには推奨されない。 本稿では,各ユーザの多様な利害関係を捉えるために,代替的なモデリング修正を提案する。
• 参考スコア（独自算出の注目度）: 77.56225819389773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems -- and especially matrix factorization-based collaborative filtering algorithms -- play a crucial role in mediating our access to online information. We show that such algorithms induce a particular kind of stereotyping: if preferences for a \textit{set} of items are anti-correlated in the general user population, then those items may not be recommended together to a user, regardless of that user's preferences and ratings history. First, we introduce a notion of \textit{joint accessibility}, which measures the extent to which a set of items can jointly be accessed by users. We then study joint accessibility under the standard factorization-based collaborative filtering framework, and provide theoretical necessary and sufficient conditions when joint accessibility is violated. Moreover, we show that these conditions can easily be violated when the users are represented by a single feature vector. To improve joint accessibility, we further propose an alternative modelling fix, which is designed to capture the diverse multiple interests of each user using a multi-vector representation. We conduct extensive experiments on real and simulated datasets, demonstrating the stereotyping problem with standard single-vector matrix factorization models.
• Abstract（参考訳）: 推薦システム、特に行列分解に基づく協調フィルタリングアルゴリズムは、オンライン情報へのアクセスを仲介する上で重要な役割を果たす。 このようなアルゴリズムが特定のステレオタイプを誘導することを示している: アイテムの \textit{set} に対する嗜好が一般ユーザ集団で反相関である場合、それらのアイテムはユーザの好みや評価履歴に関係なく、ユーザと一緒に推奨されない可能性がある。 まず,一組のアイテムがユーザによって共同でアクセス可能な範囲を計測する「textit{joint accessibility}」という概念を導入する。 次に,標準因子化に基づく協調フィルタリングの枠組みに基づく協調的アクセシビリティを研究し,協調的アクセシビリティに違反した場合の理論的必要十分条件を提供する。 さらに,ユーザが単一の特徴ベクトルで表される場合,これらの条件が容易に破られることを示す。 共同アクセシビリティを向上させるために,マルチベクタ表現を用いて各ユーザの多様な利害関係を捉えるための代替的なモデリング修正を提案する。 本研究では,実データとシミュレーションデータについて広範な実験を行い,標準単一ベクトル行列分解モデルを用いてステレオタイプ問題を示す。

関連論文リスト

• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• UIPC-MF: User-Item Prototype Connection Matrix Factorization for Explainable Collaborative Filtering [2.921387082153523]
  プロトタイプベースの行列分解手法であるUIPC-MFを提案する。 説明可能性を高めるために、UIPC-MFは、推奨のためのユーザとアイテムのプロトタイプ間の関連性を反映した接続重みを学習する。 UIPC-MFは、3つのデータセットでHit RatioとNormalized Discounted Cumulative Gainの点で、他のプロトタイプベースのベースラインメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-08-14T10:18:24Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• An Empirical Evaluation of Federated Contextual Bandit Algorithms [27.275089644378376]
  フェデレートされた学習は、ユーザが関心のあるアプリケーションと対話するときに生成される暗黙の信号を使って行うことができる。 我々は,フェデレートされた設定のための集中的な設定から,顕著な文脈的帯域幅アルゴリズムの変種を開発する。 本実験は, 探索・探索のトレードオフのバランスをとる上で, シンプルで一般的なソフトマックスの驚くべき有効性を明らかにした。
  論文  参考訳（メタデータ） (2023-03-17T19:22:30Z)
• Adversarial Online Collaborative Filtering [22.456311259154358]
  非繰り返し制約下でのオンライン協調フィルタリングの問題点について検討する。 我々は,ユーザ・イテムの選好行列上の二クラスタリング仮定の下で機能するアルゴリズムを設計し,解析する。 このアルゴリズムは,完全適応性を維持しつつ,最適な後悔の保証を示すことを示す。
  論文  参考訳（メタデータ） (2023-02-11T19:30:55Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• Dual-embedding based Neural Collaborative Filtering for Recommender Systems [0.7949579654743338]
  本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。 ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
  論文  参考訳（メタデータ） (2021-02-04T11:32:11Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)

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。