論文の概要: Recommending with Recommendations
- arxiv url: http://arxiv.org/abs/2112.00979v1
- Date: Thu, 2 Dec 2021 04:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 14:37:16.069851
- Title: Recommending with Recommendations
- Title（参考訳）: レコメンデーション付きレコメンデーション
- Authors: Naveen Durvasula, Franklyn Wang, Scott Duke Kominers
- Abstract要約: レコメンデーションシステムは、しばしば予測を行う際に敏感なユーザー情報を引き出す。
既存のサービスからのレコメンデーションに基づいて、サービスのレコメンデーションエンジンを基盤にすることで、この障害に対処する方法を示します。
我々の設定では、ユーザの(潜在的に敏感な)情報は高次元の潜在空間に属します。
- 参考スコア（独自算出の注目度）: 1.1602089225841632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation systems are a key modern application of machine learning, but
they have the downside that they often draw upon sensitive user information in
making their predictions. We show how to address this deficiency by basing a
service's recommendation engine upon recommendations from other existing
services, which contain no sensitive information by nature. Specifically, we
introduce a contextual multi-armed bandit recommendation framework where the
agent has access to recommendations for other services. In our setting, the
user's (potentially sensitive) information belongs to a high-dimensional latent
space, and the ideal recommendations for the source and target tasks (which are
non-sensitive) are given by unknown linear transformations of the user
information. So long as the tasks rely on similar segments of the user
information, we can decompose the target recommendation problem into systematic
components that can be derived from the source recommendations, and
idiosyncratic components that are user-specific and cannot be derived from the
source, but have significantly lower dimensionality. We propose an
explore-then-refine approach to learning and utilizing this decomposition; then
using ideas from perturbation theory and statistical concentration of measure,
we prove our algorithm achieves regret comparable to a strong skyline that has
full knowledge of the source and target transformations. We also consider a
generalization of our algorithm to a model with many simultaneous targets and
no source. Our methods obtain superior empirical results on synthetic
benchmarks.
- Abstract（参考訳）: レコメンデーションシステムは機械学習の重要な現代的応用であるが、予測を行う際にセンシティブなユーザー情報を引き出すことが多いという欠点がある。
この障害に対処するには、他の既存サービスからのレコメンデーションに基づいてサービスのレコメンデーションエンジンをベースとして、本質的にセンシティブな情報を含まない方法で対処する方法を示す。
具体的には,エージェントが他のサービスのレコメンデーションにアクセス可能なコンテキスト対応の多武装バンディットレコメンデーションフレームワークを提案する。
我々の設定では、ユーザの(潜在的にセンシティブな)情報は高次元の潜在空間に属し、ソースおよびターゲットタスク(非センシティブな)に対する理想的な勧告は、ユーザ情報の未知の線形変換によって与えられる。
タスクがユーザ情報の類似のセグメントに依存している限り、ターゲットのレコメンデーション問題を、ソースレコメンデーションから派生できる体系的なコンポーネントと、ユーザ固有でソースから派生することができないが、かなり低い次元を持つ慣用的なコンポーネントに分解することができる。
そこで本研究では,摂動理論と測定値の統計的集中から得られたアイデアを用いて,ソースと対象変換の完全な知識を持つ強いスカイラインに匹敵する後悔をアルゴリズムが達成できることを実証する。
また,複数の同時ターゲットを持つモデルへのアルゴリズムの一般化も検討した。
本手法は合成ベンチマークにおいて優れた実験結果を得る。
関連論文リスト
- How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics [0.2537383030441368]
本稿では,項目カタログ上のユーザインタラクションを符号化することで,知識グラフに基づくレコメンデーションシステムを提案する。
本研究は,ネットワークレベルのKG測定値が推薦のサプライズ度に影響を及ぼすかどうかを考察する。
我々は、LastFMリスニング履歴と合成Netflix視聴プロファイルの2つのデータセットに対するアプローチを実験的に評価した。
論文 参考訳（メタデータ） (2024-05-14T09:38:44Z) - Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。
個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。
3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文 参考訳（メタデータ） (2023-05-09T10:38:36Z) - 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) - Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。
我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。
我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
論文 参考訳（メタデータ） (2022-06-26T12:07:56Z) - PipAttack: Poisoning Federated Recommender Systems forManipulating Item
Promotion [58.870444954499014]
一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。
本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-21T06:48:35Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳（メタデータ） (2021-08-26T16:19:59Z) - Random Walks with Erasure: Diversifying Personalized Recommendations on
Social and Information Networks [4.007832851105161]
ユーザ・項目グラフのランダムウォーク探索を改良することにより,情報多様性の向上を目標とした新しい推薦フレームワークを開発した。
ソーシャルネットワーク上での政治コンテンツを推薦するために,まず,利用者と共有するコンテンツのイデオロギー的立場を推定する新しいモデルを提案する。
これらの推定位置に基づいて,新しいランダムウォークに基づくレコメンデーションアルゴリズムを用いて,多様なパーソナライズドレコメンデーションを生成する。
論文 参考訳（メタデータ） (2021-02-18T21:53:32Z) - Evolving Context-Aware Recommender Systems With Users in Mind [17.817926536931022]
コンテキスト対応レコメンデータシステム(CARS)は、ユーザコンテキストのセンシングと分析を適用して、パーソナライズされたサービスを提供する。
本稿では、文脈情報の低次元部分集合を選択し、それらをCARSに明示的に組み込むアプローチを提案する。
具体的には,遺伝的アルゴリズム(GA)に基づく新しい特徴選択アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-30T12:03:22Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z) - Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。
さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文 参考訳（メタデータ） (2020-04-17T08:05:33Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。