論文の概要: To Recommend or Not? A Model-Based Comparison of Item-Matching Processes
- arxiv url: http://arxiv.org/abs/2110.11468v1
- Date: Thu, 21 Oct 2021 20:37:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 21:22:08.030352
- Title: To Recommend or Not? A Model-Based Comparison of Item-Matching Processes
- Title（参考訳）: 推薦するかどうか?
アイテムマッチングプロセスのモデルベース比較
- Authors: Serina Chang and Johan Ugander
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.636113901205644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems are central to modern online platforms, but a popular
concern is that they may be pulling society in dangerous directions (e.g.,
towards filter bubbles). However, a challenge with measuring the effects of
recommender systems is how to compare user outcomes under these systems to
outcomes under a credible counterfactual world without such systems. We take a
model-based approach to this challenge, introducing a dichotomy of process
models that we can compare: (1) a "recommender" model describing a generic
item-matching process under a personalized recommender system and (2) an
"organic" model describing a baseline counterfactual where users search for
items without the mediation of any system. Our key finding is that the
recommender and organic models result in dramatically different outcomes at
both the individual and societal level, as supported by theorems and simulation
experiments with real data. The two process models also induce different
trade-offs during inference, where standard performance-improving techniques
such as regularization/shrinkage have divergent effects. Shrinkage improves the
mean squared error of matches in both settings, as expected, but at the cost of
less diverse (less radical) items chosen in the recommender model but more
diverse (more radical) items chosen in the organic model. These findings
provide a formal language for how recommender systems may be fundamentally
altering how we search for and interact with content, in a world increasingly
mediated by such systems.
- Abstract（参考訳）: レコメンダシステムは現代のオンラインプラットフォームの中心にあるが、一般的な懸念は社会を危険な方向(例えばフィルターバブルに向かって)に引き寄せることである。
しかしながら、レコメンダシステムの効果を測定する上での課題は、これらのシステムにおけるユーザ成果と、そのようなシステムのない信頼できる対実的な世界における結果を比較する方法である。
この課題に対して,(1)パーソナライズド・レコメンデータ・システムの下で汎用アイテムマッチングプロセスを記述した"レコメンダ"モデルと,(2)ユーザが任意のシステムの仲介なしにアイテムを検索するベースライン・カウンターファクチュアを記述した"有機"モデルとを比較し,モデルに基づくアプローチを導入する。
我々の重要な発見は、レコメンダモデルと有機モデルは、実データを用いた定理やシミュレーション実験によって支持されるように、個人と社会レベルで劇的に異なる結果をもたらすことである。
2つのプロセスモデルはまた、正規化や収縮のような標準的なパフォーマンス改善技術が相違する推論の間に異なるトレードオフを引き起こす。
収縮は、両方の設定における一致の平均2乗誤差を予想通り改善するが、推奨モデルで選択される多様な(急進的な)項目は少なく、有機モデルで選択されるより多様な(より急進的な)項目はコストがかかる。
これらの発見は、レコメンダシステムがコンテンツの検索や対話の仕方を根本的に変えている可能性を示す正式な言語を提供する。
関連論文リスト
- Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference [50.95521705711802]
従来の研究では、予測モデルの偏りのない学習を実現するために、選択バイアスに対処することに注力してきた。
本稿では、因果推論の観点から、近隣効果を干渉問題として公式に定式化する。
本稿では,近隣効果の存在下で選択バイアスに対処できる新しい理想的損失を提案する。
論文 参考訳（メタデータ） (2024-04-30T15:20:41Z) - Break Out of a Pigeonhole: A Unified Framework for Examining
Miscalibration, Bias, and Stereotype in Recommender Systems [6.209548319476692]
本研究の目的は,レコメンデーションシステムの体系的エラーと,それらが様々なアカウンタビリティ問題にどのように現れるかを明らかにすることである。
本稿では,予測誤りの原因を,様々な種類のシステムに誘発される影響を定量化する重要な指標の集合に識別する統合フレームワークを提案する。
本研究は,システムによる影響と誤校正だけでなく,レコメンデーションシステムにおけるステレオタイピングの問題についても,初めて体系的に検討したものである。
論文 参考訳（メタデータ） (2023-12-29T02:32:12Z) - Managing multi-facet bias in collaborative filtering recommender systems [0.0]
アイテムグループ間のバイアスドレコメンデーションは、システムに対するユーザの不満を引き起こすとともに、アイテムプロバイダの利益を脅かす可能性がある。
本研究の目的は,最先端の協調フィルタリング推薦アルゴリズムの出力における地理的起源と人気に関する新たなタイプの交叉バイアスを管理することである。
2つの実世界の映画と書籍のデータセットに関する大規模な実験は、アイテムの生産大陸に富んだものであり、提案アルゴリズムが精度と上記のバイアスの両タイプの間に合理的なバランスをとっていることを示している。
論文 参考訳（メタデータ） (2023-02-21T10:06:01Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - A Recommendation Approach based on Similarity-Popularity Models of
Complex Networks [1.385805101975528]
そこで本研究では,類似性傾向モデルにより生成された複雑なネットワークをベースとした新しい推薦手法を提案する。
まず、観測されたレーティングからユーザとアイテムをノードとして持つネットワークモデルを構築し、そのモデルを用いて未知のレーティングを予測する。
提案手法は, 各種ドメインの21データセットに対して, ベースラインと最先端のレコメンデーション手法に対して, 提案手法を実装, 実験的に比較した。
論文 参考訳（メタデータ） (2022-09-29T11:00:06Z) - What are the best systems? New perspectives on NLP Benchmarking [10.27421161397197]
そこで本研究では,各タスクのパフォーマンスに基づいて,システムにランク付けする新しい手法を提案する。
社会的選択理論によって動機付けられ、各タスクによって誘導されるランクを集約することで最終システム順序付けが得られる。
本手法は, 平均集約法とは異なる, 最先端システム上での結論を導出することを示す。
論文 参考訳（メタデータ） (2022-02-08T11:44:20Z) - Utilizing Textual Reviews in Latent Factor Models for Recommender
Systems [1.7361353199214251]
本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。
サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
論文 参考訳（メタデータ） (2021-11-16T15:07:51Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳（メタデータ） (2021-07-27T08:59:39Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z) - PONE: A Novel Automatic Evaluation Metric for Open-Domain Generative
Dialogue Systems [48.99561874529323]
オープンドメイン生成対話システムの評価には3つの方法がある。
体系的な比較が欠如しているため、どの指標がより効果的であるかは明らかでない。
本稿では,人間の判断との相関性を大幅に改善できる,新しい,実現可能な学習基準を提案する。
論文 参考訳（メタデータ） (2020-04-06T04:36:33Z)
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。