論文の概要: Debiased Explainable Pairwise Ranking from Implicit Feedback
- arxiv url: http://arxiv.org/abs/2107.14768v1
- Date: Fri, 30 Jul 2021 17:19:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-02 13:07:05.097073
- Title: Debiased Explainable Pairwise Ranking from Implicit Feedback
- Title（参考訳）: 暗黙のフィードバックから解き明かすペアワイズランキング
- Authors: Khalil Damak, Sami Khenissi, Olfa Nasraoui
- Abstract要約: BPR(Bayesian Personalized Ranking)に焦点をあてる。
BPRはアウトプットを説明しないブラックボックスモデルであり、ユーザのレコメンデーションに対する信頼を制限する。
本稿では,項目に基づく説明とともにレコメンデーションを生成する新しい説明可能な損失関数と,それに対応する行列分解モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.3867363075280543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work in recommender systems has emphasized the importance of fairness,
with a particular interest in bias and transparency, in addition to predictive
accuracy. In this paper, we focus on the state of the art pairwise ranking
model, Bayesian Personalized Ranking (BPR), which has previously been found to
outperform pointwise models in predictive accuracy, while also being able to
handle implicit feedback. Specifically, we address two limitations of BPR: (1)
BPR is a black box model that does not explain its outputs, thus limiting the
user's trust in the recommendations, and the analyst's ability to scrutinize a
model's outputs; and (2) BPR is vulnerable to exposure bias due to the data
being Missing Not At Random (MNAR). This exposure bias usually translates into
an unfairness against the least popular items because they risk being
under-exposed by the recommender system. In this work, we first propose a novel
explainable loss function and a corresponding Matrix Factorization-based model
called Explainable Bayesian Personalized Ranking (EBPR) that generates
recommendations along with item-based explanations. Then, we theoretically
quantify additional exposure bias resulting from the explainability, and use it
as a basis to propose an unbiased estimator for the ideal EBPR loss. The result
is a ranking model that aptly captures both debiased and explainable user
preferences. Finally, we perform an empirical study on three real-world
datasets that demonstrate the advantages of our proposed models.
- Abstract（参考訳）: 推薦システムにおける最近の研究は、予測精度に加えて、偏見と透明性に特に関心を持つ公正の重要性を強調している。
本稿では,従来,予測精度においてポイントワイズモデルよりも優れており,暗黙的なフィードバックも処理可能であったベイジアンパーソナライズランキング(bayesian personal ranking, bpr)について述べる。
具体的には、BPRの2つの制限に対処する:(1)BPRは、そのアウトプットを説明しないブラックボックスモデルであり、ユーザのレコメンデーションに対する信頼を制限し、アナリストがモデルのアウトプットを精査する能力、(2)BPRは、ミス・ノー・アット・ランダム(MNAR)データであるため、露出バイアスに弱い。
この露出バイアスは、レコメンダシステムによって過小評価されるリスクがあるため、通常、最も人気のあるアイテムに対して不公平になる。
本稿では,まず,新しい説明可能損失関数と,それに対応する行列因子化ベースモデルである説明可能ベイズ型パーソナライズランキング(ebpr)を提案し,項目ベース説明とともにレコメンデーションを生成する。
そして、理論的に説明可能性から生じる追加の露光バイアスを定量化し、その基礎として、理想的なEBPR損失に対する非偏光推定器を提案する。
その結果は、偏見と説明可能なユーザの好みの両方を適切に捉えたランキングモデルになる。
最後に,提案するモデルの利点を示す3つの実世界のデータセットについて実証研究を行った。
関連論文リスト
- Mitigating Exposure Bias in Online Learning to Rank Recommendation: A Novel Reward Model for Cascading Bandits [23.15042648884445]
我々は,Linear Cascading Banditsとして知られる,よく知られた文脈的帯域幅アルゴリズムのクラスにおける露出バイアスについて検討した。
本研究では,1)暗黙的なユーザフィードバック,2)レコメンデーションリストにおける項目の位置という2つの要因に基づいて,モデルパラメータを更新する Exposure-Aware reward モデルを提案する。
論文 参考訳（メタデータ） (2024-08-08T09:35:01Z) - Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。
本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
論文 参考訳（メタデータ） (2024-03-15T02:04:35Z) - GPTBIAS: A Comprehensive Framework for Evaluating Bias in Large Language
Models [83.30078426829627]
大規模言語モデル(LLM)は人気を集め、大規模なユーザコミュニティで広く採用されている。
既存の評価手法には多くの制約があり、それらの結果は限定的な解釈可能性を示している。
本稿では,LPMの高性能性を活用し,モデル内のバイアスを評価するGPTBIASというバイアス評価フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-11T12:02:14Z) - Debiasing the Cloze Task in Sequential Recommendation with Bidirectional
Transformers [0.0]
Inverse Propensity Scoring (IPS) は、問題の時間的性質を考慮しないため、逐次的なレコメンデーションに拡張されない。
そこで我々は,Clozeタスクの逐次的推奨を理論的に無視できる新しい確率スコアリング機構を提案する。
論文 参考訳（メタデータ） (2023-01-22T21:44:25Z) - Off-policy evaluation for learning-to-rank via interpolating the
item-position model and the position-based model [83.83064559894989]
産業レコメンデーションシステムにとって重要なニーズは、製品にデプロイする前に、レコメンデーションポリシーをオフラインで評価する機能である。
我々は、最も人気のある2つの非政治推定器の問題を緩和する新しい推定器を開発する。
特に、InterPOLと呼ばれる新しい推定器は、潜在的に不特定位置ベースモデルのバイアスに対処する。
論文 参考訳（メタデータ） (2022-10-15T17:22:30Z) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳（メタデータ） (2022-10-10T19:53:13Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - Bilateral Self-unbiased Learning from Biased Implicit Feedback [10.690479112143658]
バイラテラル・セルフ・アンバイアスド・レコメンダ(BISER)という,新しいアンバイアスド・レコメンダラー・ラーニング・モデルを提案する。
BISERは、(i)自己逆確率重み付け(SIPW)と(ii)モデル予測における2つの相補的モデル間のギャップを埋める両側非バイアス学習(BU)の2つの重要な構成要素から構成される。
大規模な実験により、BISERは複数のデータセットに対して最先端の非バイアスのレコメンデータモデルより一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2022-07-26T05:17:42Z) - 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) - Be Causal: De-biasing Social Network Confounding in Recommendation [7.589060156056251]
レコメンデーションシステムでは、MNAR問題の存在が選択バイアス問題を引き起こす。
既存のアプローチのほとんどは、観察された評価のモデルまたは再重み付け戦略を使用して、ランダムな設定の欠如を模倣しています。
我々は、因果推論における共同設立者分析に触発されて、DENCと呼ばれる非バイアスで堅牢な手法を提案する。
論文 参考訳（メタデータ） (2021-05-17T12:38:59Z)
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。