Fugu-MT 論文翻訳(概要): Unbiased Pairwise Learning to Rank in Recommender Systems

論文の概要: Unbiased Pairwise Learning to Rank in Recommender Systems

arxiv url: http://arxiv.org/abs/2111.12929v1
Date: Thu, 25 Nov 2021 06:04:59 GMT
ステータス: 処理完了
システム内更新日: 2021-11-29 17:56:38.340681
Title: Unbiased Pairwise Learning to Rank in Recommender Systems
Title（参考訳）: Recommender システムにおける非バイアスなペアワイズ学習
Authors: Yi Ren, Hongyan Tang and Siwen Zhu
Abstract要約: アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
参考スコア（独自算出の注目度）: 4.058828240864671
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nowadays, recommender systems already impact almost every facet of peoples lives. To provide personalized high quality recommendation results, conventional systems usually train pointwise rankers to predict the absolute value of objectives and leverage a distinct shallow tower to estimate and alleviate the impact of position bias. However, with such a training paradigm, the optimization target differs a lot from the ranking metrics valuing the relative order of top ranked items rather than the prediction precision of each item. Moreover, as the existing system tends to recommend more relevant items at higher positions, it is difficult for the shallow tower based methods to precisely attribute the user feedback to the impact of position or relevance. Therefore, there exists an exciting opportunity for us to get enhanced performance if we manage to solve the aforementioned issues. Unbiased learning to rank algorithms, which are verified to model the relative relevance accurately based on noisy feedback, are appealing candidates and have already been applied in many applications with single categorical labels, such as user click signals. Nevertheless, the existing unbiased LTR methods cannot properly handle multiple feedback incorporating both categorical and continuous labels. Accordingly, we design a novel unbiased LTR algorithm to tackle the challenges, which innovatively models position bias in the pairwise fashion and introduces the pairwise trust bias to separate the position bias, trust bias, and user relevance explicitly. Experiment results on public benchmark datasets and internal live traffic show the superior results of the proposed method for both categorical and continuous labels.
Abstract（参考訳）: 現在、レコメンデーションシステムは、ほとんどすべての人々の生活に影響を与える。パーソナライズされた高品質なレコメンデーション結果を提供するため、従来のシステムは、通常、ポイントワイドローダを訓練し、目標の絶対値を予測し、異なる浅い塔を利用して位置バイアスの影響を推定し緩和する。しかし、このような訓練パラダイムでは、最適化対象は各項目の予測精度よりも上位項目の相対的な順序を評価するランキング指標とは大きく異なる。さらに,既存システムでは,より高い位置で関連項目を推薦する傾向にあるため,利用者のフィードバックが位置や関連性に与える影響を正確に評価することは困難である。したがって、前述の課題を何とか解決できれば、パフォーマンスが向上するエキサイティングな機会があります。雑音フィードバックに基づいて相対関係を正確にモデル化するために検証されたアルゴリズムをランク付けするためのバイアスのない学習は、候補をアピールし、ユーザクリック信号のような単一のカテゴリラベルを持つ多くのアプリケーションで既に適用されている。それでも、既存の非バイアス付きLTR法は、カテゴリーラベルと連続ラベルの両方を組み込んだ複数のフィードバックを適切に扱えない。そこで我々は,ペアワイズ方式で位置バイアスを革新的にモデル化し,ペアワイズ信頼バイアスを導入し,位置バイアス,信頼バイアス,ユーザの妥当性を明示的に分離する,新たな非バイアスltrアルゴリズムを設計した。パブリックベンチマークデータセットと内部ライブトラフィックの実験結果から,分類ラベルと連続ラベルの両方に対して提案手法の優れた結果が得られた。

関連論文リスト

Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-09T04:20:15Z)
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)
Metrics for popularity bias in dynamic recommender systems [0.0]
バイアスドレコメンデーションは個人、敏感なユーザーグループ、社会に悪影響を及ぼす可能性のある決定につながる可能性がある。本稿では,RecSysモデルの出力から直接発生する人気バイアスの定量化に着目する。 RescSysにおける人気バイアスを時間とともに定量化するための4つの指標が提案されている。
論文参考訳（メタデータ） (2023-10-12T16:15:30Z)
Unbiased Learning to Rank with Biased Continuous Feedback [5.561943356123711]
雑音フィードバックに基づいて相対関係を正確にモデル化するために,非バイアス学習 to ランク(LTR)アルゴリズムを検証した。パーソナライズされた高品質なレコメンデーション結果を提供するために、レコメンダシステムはカテゴリと継続的なバイアスフィードバックの両方をモデルにする必要があります。位置バイアス、信頼バイアス、ユーザ関係を明確に区別するために、ペアワイズ信頼バイアスを導入します。 Tencent Newsの公開ベンチマークデータセットと大規模レコメンデータシステムの内部ライブトラフィックの実験結果は、連続ラベルに対して優れた結果を示している。
論文参考訳（メタデータ） (2023-03-08T02:14:08Z)
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)
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)
Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文参考訳（メタデータ） (2021-09-13T15:02:55Z)
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。