論文の概要: Rewiring What-to-Watch-Next Recommendations to Reduce Radicalization Pathways

• arxiv url: http://arxiv.org/abs/2202.00640v1
• Date: Tue, 1 Feb 2022 18:27:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 16:26:48.217410
• Title: Rewiring What-to-Watch-Next Recommendations to Reduce Radicalization Pathways
• Title（参考訳）: ラジカル化経路の低減に向けての次回勧告の見直し
• Authors: Francesco Fabbri, Yanhao Wang, Francesco Bonchi, Carlos Castillo, Michael Mathioudakis
• Abstract要約: グラフに基づく手法を用いてラジカル化経路を緩和する問題について検討する。 我々は,過激化コンテンツを表すノードの「分離」スコアを,そのノードから非ラジカル化コンテンツを表すノードへのランダムウォークの予測長として測定する。 再配線に最適なレコメンデーションセットを見つけるという問題はNPハードであり、NPハードは任意の要素で近似する。
• 参考スコア（独自算出の注目度）: 17.243069791144084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems typically suggest to users content similar to what they consumed in the past. If a user happens to be exposed to strongly polarized content, she might subsequently receive recommendations which may steer her towards more and more radicalized content, eventually being trapped in what we call a "radicalization pathway". In this paper, we study the problem of mitigating radicalization pathways using a graph-based approach. Specifically, we model the set of recommendations of a "what-to-watch-next" recommender as a d-regular directed graph where nodes correspond to content items, links to recommendations, and paths to possible user sessions. We measure the "segregation" score of a node representing radicalized content as the expected length of a random walk from that node to any node representing non-radicalized content. High segregation scores are associated to larger chances to get users trapped in radicalization pathways. Hence, we define the problem of reducing the prevalence of radicalization pathways by selecting a small number of edges to "rewire", so to minimize the maximum of segregation scores among all radicalized nodes, while maintaining the relevance of the recommendations. We prove that the problem of finding the optimal set of recommendations to rewire is NP-hard and NP-hard to approximate within any factor. Therefore, we turn our attention to heuristics, and propose an efficient yet effective greedy algorithm based on the absorbing random walk theory. Our experiments on real-world datasets in the context of video and news recommendations confirm the effectiveness of our proposal.
• Abstract（参考訳）: レコメンダシステムは、通常、過去に消費したものに似たユーザーコンテンツを提案する。 もしユーザーが強く分極されたコンテンツに晒された場合、彼女はその後、より過激なコンテンツに向けて彼女を操るレコメンデーションを受け取り、最終的に私たちが「ラジカル化経路」と呼ぶものに閉じ込められるかもしれない。 本稿では,グラフベースアプローチによるラジカル化経路の緩和問題について検討する。 具体的には、"What-to-watch-next"レコメンデーションのセットを、ノードがコンテンツ項目、レコメンデーションへのリンク、ユーザセッションへのパスに対応するd-regular Directed graphとしてモデル化する。 我々は,過激化コンテンツを表すノードの「分離」スコアを,そのノードから非ラジカル化コンテンツを表すノードへのランダムウォークの予測長として測定する。 高い隔離スコアは、ユーザーを過激化経路に閉じ込めるチャンスの増加に関係している。 そこで我々は,複数のエッジを"リワイヤ"に選択することで,ラジカル化経路の頻度を低減し,すべてのノード間の分離スコアの最大化を図り,レコメンデーションの関連性を維持しながら課題を定めている。 rewireの最適な推奨セットを見つける問題は、任意の係数内で近似するnp-hardとnp-hardであることが証明される。 そこで,我々はヒューリスティックスに注意を向け,吸収ランダムウォーク理論に基づく効率的かつ効果的なグリーディアルゴリズムを提案する。 ビデオおよびニュースレコメンデーションの文脈における実世界のデータセットに関する実験により,提案の有効性が確認された。

関連論文リスト

• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• Graph Anomaly Detection with Noisy Labels by Reinforcement Learning [13.135788402192215]
  本稿では,新しいフレームワークREGAD,すなわちReinforced Graph Anomaly Detectorを提案する。 具体的には,高信頼ラベルを用いたノード間を近似したノイズエッジを切断することにより,ベース検出器の性能向上(AUC)を最大化することを目的とする。
  論文  参考訳（メタデータ） (2024-07-08T13:41:21Z)
• Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。 ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。 我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• Latent Graph Inference with Limited Supervision [58.54674649232757]
  潜在グラフ推論(LGI)は、データ特徴から基礎となるグラフ構造とノード表現を共同で学習することを目的としている。 既存のLGI手法は、意味的な監督なしに巨大なエッジウェイトが学習され、トレーニング損失に寄与しない、監督飢餓の問題に悩まされることが一般的である。 本稿では,この問題の原因はグラフスカラー化操作であり,重要なノードとラベル付きノード間の接続を著しく破壊する。
  論文  参考訳（メタデータ） (2023-10-06T15:22:40Z)
• Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
  我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。 Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:42:37Z)
• Reducing Exposure to Harmful Content via Graph Rewiring [19.63612420186462]
  本稿では,エッジリワイアリングによる有害コンテンツへの曝露を減らすことの問題点について検討する。 Gamineは、有害なコンテンツへの露出を減らし、レコメンデーションの品質を制約しない、高速なグリージーなアルゴリズムだ。
  論文  参考訳（メタデータ） (2023-06-05T05:35:03Z)
• Gaussian Process Bandits with Aggregated Feedback [8.667190358712062]
  我々は,固定予算内で最高の武器を推薦する新たな設定の下で,連続兵器の盗賊問題を考える。 これは、正確な報酬を得るのが不可能または高価であるアプリケーションによって動機付けられ、サブセットを超える平均のような、集約された報酬やフィードバックが利用可能である。 本稿では,推奨アームの集合的フィードバックに関して,新たな簡単な後悔の概念を提案する。
  論文  参考訳（メタデータ） (2021-12-24T11:03:00Z)
• Recommending with Recommendations [1.1602089225841632]
  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。
  論文  参考訳（メタデータ） (2021-12-02T04:30:15Z)
• 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)
• 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)
• Optimistic Policy Optimization with Bandit Feedback [70.75568142146493]
  我々は,事前の報奨を後悔する$tilde O(sqrtS2 A H4 K)を定め,楽観的な信頼領域ポリシー最適化(TRPO)アルゴリズムを提案する。 我々の知る限り、この2つの結果は、未知の遷移と帯域幅フィードバックを持つポリシー最適化アルゴリズムにおいて得られた最初のサブ線形後悔境界である。
  論文  参考訳（メタデータ） (2020-02-19T15:41:18Z)

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。