Fugu-MT 論文翻訳(概要): Recommendation System Simulations: A Discussion of Two Key Challenges

論文の概要: Recommendation System Simulations: A Discussion of Two Key Challenges

arxiv url: http://arxiv.org/abs/2109.02475v1
Date: Wed, 25 Aug 2021 15:11:38 GMT
ステータス: 処理完了
システム内更新日: 2021-09-12 10:55:11.361438
Title: Recommendation System Simulations: A Discussion of Two Key Challenges
Title（参考訳）: 推薦システムシミュレーション:2つの重要な課題について
Authors: Allison J.B. Chaney
Abstract要約: シミュレーションは、レコメンデーションシステムが個人や社会に与える影響を理解するための道を提供する。本稿では、まず、推奨項目を選択したり、関わったりするためのモデルを定義し、次に、プラットフォームから直接推奨されない項目に遭遇するためのメカニズムを定義します。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: As recommendation systems become increasingly standard for online platforms, simulations provide an avenue for understanding the impacts of these systems on individuals and society. When constructing a recommendation system simulation, there are two key challenges: first, defining a model for users selecting or engaging with recommended items and second, defining a mechanism for users encountering items that are not recommended to the user directly by the platform, such as by a friend sharing specific content. This paper will delve into both of these challenges, reviewing simulation assumptions from existing research and proposing alternative assumptions. We also include a broader discussion of the limitations of simulations and outline of open questions in this area.
Abstract（参考訳）: オンラインプラットフォームではレコメンデーションシステムがますます標準になっているため、シミュレーションはこれらのシステムが個人や社会に与える影響を理解するための道筋を提供する。推薦システムシミュレーションを構築する際には,まず推奨項目を選択したり,関わったりするためのモデルを定義し,次に,特定のコンテンツを友人が共有するなど,プラットフォームから直接推奨されない項目に遭遇するためのメカニズムを定義する。本稿では,これらの課題を掘り下げ,既存の研究からシミュレーション仮定を見直し,代替仮定を提案する。また、シミュレーションの限界に関するより広範な議論や、この分野におけるオープンな質問の概要も紹介する。

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)
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)
User Simulation for Evaluating Information Access Systems [38.48048183731099]
インタラクティブな知能システムの有効性を評価することは複雑な科学的課題です本書は,評価に特化して設計されたユーザシミュレーション技術について,詳細な理解を提供する。ユーザシミュレータを設計するための一般的なフレームワークと、検索エンジン、レコメンダシステム、会話アシスタントとのユーザインタラクションをシミュレートする特定のモデルとアルゴリズムの両方をカバーする。
論文参考訳（メタデータ） (2023-06-14T14:54:06Z)
User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文参考訳（メタデータ） (2023-06-05T02:58:35Z)
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)
Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
論文参考訳（メタデータ） (2022-06-22T19:33:21Z)
To Recommend or Not? A Model-Based Comparison of Item-Matching Processes [7.636113901205644]
推薦システムは、現代のオンラインプラットフォームの中心であるが、一般的な懸念は、彼らが社会を危険な方向に引っ張っていることだ。私たちはこの課題に対してモデルベースのアプローチを採用し、比較可能なプロセスモデルの二分法を導入しています。私たちの重要な発見は、レコメンデーターとオーガニックモデルが、個人レベルと社会的レベルの両方で劇的に異なる結果をもたらすことです。
論文参考訳（メタデータ） (2021-10-21T20:37:56Z)
Understanding Longitudinal Dynamics of Recommender Systems with Agent-Based Modeling and Simulation [7.98348797868119]
エージェントベースモデリングとシミュレーション(ABM)技術は、レコメンダシステムのこのような重要な縦方向のダイナミクスを研究するのに利用できる。本稿では, ABMの原則の概要, 文献に基づく推薦システムのためのシミュレーションフレームワークの概要, そして, このようなABMに基づくシミュレーションフレームワークで対処可能な,様々な実践的な研究課題について論じる。
論文参考訳（メタデータ） (2021-08-25T06:28:19Z)
T-RECS: A Simulation Tool to Study the Societal Impact of Recommender Systems [5.592114738742928]
我々は、研究者がレコメンデーションシステムをシミュレートするために設計されたオープンソースのPythonパッケージであるT-RECSを紹介する。本稿では,T-RECSの柔軟性を実証するため,従来の2つのシミュレーションに基づく社会工学研究の再現を行った。
論文参考訳（メタデータ） (2021-07-19T15:16:44Z)
Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。 CRS開発の主な課題を5つの方向にまとめます。これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
論文参考訳（メタデータ） (2021-01-23T08:53:15Z)
A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
ベイズ的アプローチに基づく会話推薦システムを提案する。エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
論文参考訳（メタデータ） (2020-02-12T15:59:31Z)

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。