論文の概要: Revisiting Popularity and Demographic Biases in Recommender Evaluation
and Effectiveness
- arxiv url: http://arxiv.org/abs/2110.08353v1
- Date: Fri, 15 Oct 2021 20:30:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 15:09:15.441110
- Title: Revisiting Popularity and Demographic Biases in Recommender Evaluation
and Effectiveness
- Title(参考訳): 推薦者評価と有効性における人気と人口バイアスの再検討
- Authors: Nicola Neophytou, Bhaskar Mitra and Catherine Stinson
- Abstract要約: 我々は,人気や人口統計によって,レコメンダのパフォーマンスがどう変化するかを検討する。
年齢,性別ともに,推奨者のパフォーマンスに統計的に有意な差が認められた。
我々は、推奨ユーティリティが高齢ユーザーにとって着実に低下し、女性にとっては男性よりも低いことを観察する。
- 参考スコア(独自算出の注目度): 6.210698627561645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation algorithms are susceptible to popularity bias: a tendency to
recommend popular items even when they fail to meet user needs. A related issue
is that the recommendation quality can vary by demographic groups. Marginalized
groups or groups that are under-represented in the training data may receive
less relevant recommendations from these algorithms compared to others. In a
recent study, Ekstrand et al. investigate how recommender performance varies
according to popularity and demographics, and find statistically significant
differences in recommendation utility between binary genders on two datasets,
and significant effects based on age on one dataset. Here we reproduce those
results and extend them with additional analyses. We find statistically
significant differences in recommender performance by both age and gender. We
observe that recommendation utility steadily degrades for older users, and is
lower for women than men. We also find that the utility is higher for users
from countries with more representation in the dataset. In addition, we find
that total usage and the popularity of consumed content are strong predictors
of recommender performance and also vary significantly across demographic
groups.
- Abstract(参考訳): レコメンデーションアルゴリズムは人気バイアスの影響を受けやすい:ユーザーのニーズに合わなかったとしても人気アイテムを推奨する傾向がある。
関連する問題は、レコメンデーションの品質が人口集団によって異なることである。
トレーニングデータに不足して表現されていないグループやグループには、他のグループに比べて、これらのアルゴリズムによる推奨が少なくなる可能性がある。
最近の研究では、Ekstrandらは、人気や人口統計によってレコメンダのパフォーマンスがどのように変化するかを調査し、2つのデータセットにおける2進性間のレコメンデーションユーティリティの統計的に有意な差異と、1つのデータセットにおける年齢による顕著な影響を見出した。
ここでは、これらの結果を再現し、さらなる分析を加えて拡張する。
年齢,性別ともに,推薦者のパフォーマンスに有意差が認められた。
我々は、推奨ユーティリティが高齢ユーザーにとって着実に低下し、女性にとっては男性よりも低いことを観察する。
また、データセットにより多くの表現がある国からのユーザの方が、ユーティリティが高いことも分かりました。
さらに, 消費コンテンツの総利用状況と人気度は, 推薦者評価の強い予測要因であり, また, 人口集団によって大きく異なることがわかった。
関連論文リスト
- Can Large Language Models Understand Preferences in Personalized Recommendation? [32.2250928311146]
PerRecBenchを導入し、ユーザ評価バイアスとアイテムの品質から評価を分解する。
評価予測に長けているLCMベースのレコメンデーション手法では,ユーザの評価バイアスや項目品質を排除した場合,ユーザの好ましくない項目や好ましくない項目を識別できないことがわかった。
その結果、ポイントワイドランキングよりもペアワイズとリストワイズランキングの方が優れていること、PerRecBenchの従来の回帰指標との相関が低いこと、ユーザプロファイルの重要性、事前学習データ分布の役割が明らかになった。
論文 参考訳(メタデータ) (2025-01-23T05:24:18Z) - ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳(メタデータ) (2024-10-21T14:02:40Z) - Correcting for Popularity Bias in Recommender Systems via Item Loss Equalization [1.7771454131646311]
人気アイテムの小さなセットが、高い相互作用率のために推奨結果を支配している。
この現象は、ニッチな興味のある人を無視しながら、メインストリームの趣味を持つユーザーに不当に利益をもたらす。
本稿では,推薦モデルのトレーニングプロセスに介入することで,この問題に対処するプロセス内アプローチを提案する。
論文 参考訳(メタデータ) (2024-10-07T08:34:18Z) - 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) - A Study on Accuracy, Miscalibration, and Popularity Bias in
Recommendations [6.694971161661218]
異なるジャンルがレコメンデーションパフォーマンスの不整合に与える影響について検討する。
人気コンテンツへの関心がほとんどないユーザは、最悪のレコメンデーションの精度を得られる。
実験の結果,特定のジャンルがレコメンデーションパフォーマンスの不整合に異なる程度寄与していることが判明した。
論文 参考訳(メタデータ) (2023-03-01T10:39:58Z) - Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。
ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。
本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
論文 参考訳(メタデータ) (2023-02-13T13:11:46Z) - Debiased Recommendation with Neural Stratification [19.841871819722016]
我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。
提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
論文 参考訳(メタデータ) (2022-08-15T15:45:35Z) - 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) - Predicting user demographics based on interest analysis [1.7403133838762448]
本稿では,システム内のユーザによって登録されたレーティングに基づいて,ユーザの人口動態を予測する枠組みを提案する。
ユーザによって登録されたすべてのレーティングを使用することで、これまで検討されたモデルと比較して、予測精度が少なくとも16%向上する。
論文 参考訳(メタデータ) (2021-08-02T16:25:09Z) - Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
現在の顔認識(FR)モデルには、人口統計バイアスが存在する。
さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。
真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。
本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
論文 参考訳(メタデータ) (2021-03-16T15:05:49Z) - Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。
本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。
提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-06-06T21:53:44Z)
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。