論文の概要: An Adaptive Boosting Technique to Mitigate Popularity Bias in
Recommender System
- arxiv url: http://arxiv.org/abs/2109.05677v1
- Date: Mon, 13 Sep 2021 03:04:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 10:33:29.751413
- Title: An Adaptive Boosting Technique to Mitigate Popularity Bias in
Recommender System
- Title(参考訳): 推薦システムにおける人気バイアス軽減のための適応的ブースティング手法
- Authors: Ajay Gangwar and Shweta Jain
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.5800354337004194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The observed ratings in most recommender systems are subjected to popularity
bias and are thus not randomly missing. Due to this, only a few popular items
are recommended, and a vast number of non-popular items are hardly recommended.
Not suggesting the non-popular items lead to fewer products dominating the
market and thus offering fewer opportunities for creativity and innovation. In
the literature, several fair algorithms have been proposed which mainly focused
on improving the accuracy of the recommendation system. However, a typical
accuracy measure is biased towards popular items, i.e., it promotes better
accuracy for popular items compared to non-popular items. This paper considers
a metric that measures the popularity bias as the difference in error on
popular items and non-popular items. Motivated by the fair boosting algorithm
on classification, we propose an algorithm that reduces the popularity bias
present in the data while maintaining accuracy within acceptable limits. The
main idea of our algorithm is that it lifts the weights of the non-popular
items, which are generally underrepresented in the data. With the help of
comprehensive experiments on real-world datasets, we show that our proposed
algorithm outperforms the existing algorithms on the proposed popularity bias
metric.
- Abstract(参考訳): ほとんどのレコメンダシステムで観察された評価は人気バイアスを受けており、したがってランダムに失われることはない。
このため、数種類の人気商品が推奨され、非人気商品も少なからず推奨される。
人気のない商品が市場を支配する製品が少なくなり、創造性やイノベーションの機会も少なくなる。
文献では,レコメンデーションシステムの精度向上を主眼とした公平なアルゴリズムがいくつか提案されている。
しかし、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差の差として人気バイアスを測定する指標を検討する。
分類に関する公正なブースティングアルゴリズムに動機づけられ,許容範囲内で精度を維持しつつ,データ内における人気バイアスを低減させるアルゴリズムを提案する。
アルゴリズムの主な考え方は、一般的にデータで表現されていない非人気項目の重みを引き上げることである。
実世界のデータセットに関する包括的実験の助けを借りて,提案アルゴリズムが提案する人気バイアスメトリクスの既存のアルゴリズムを上回っていることを示す。
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) - Popularity-Aware Alignment and Contrast for Mitigating Popularity Bias [34.006766098392525]
協調フィルタリング(CF)は通常、現実のデータセットにおけるアイテムの不均一な分布のため、人気バイアスの課題に悩まされる。
このバイアスは、人気アイテムと不人気アイテムの間にかなりの精度のギャップをもたらす。
本稿では,2つの課題に対処するために,PAAC(Popularity-Aware Alignment and Contrast)を提案する。
論文 参考訳(メタデータ) (2024-05-31T09:14:48Z) - 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) - Whole Page Unbiased Learning to Rank [59.52040055543542]
アンバイアスド・ラーニング・トゥ・ランク(ULTR)アルゴリズムは、バイアスド・クリックデータを用いたアンバイアスド・ランキングモデルを学ぶために提案される。
本稿では,BALというアルゴリズムをランク付けするバイアス非依存学習を提案する。
実世界のデータセットによる実験結果から,BALの有効性が検証された。
論文 参考訳(メタデータ) (2022-10-19T16:53:08Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳(メタデータ) (2022-07-04T17:49:25Z) - 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) - Information-Theoretic Bias Reduction via Causal View of Spurious
Correlation [71.9123886505321]
本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。
本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。
提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
論文 参考訳(メタデータ) (2022-01-10T01:19:31Z) - User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
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。
論文 参考訳(メタデータ) (2021-03-10T22:12:51Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳(メタデータ) (2020-02-23T06:40:48Z)
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。