論文の概要: The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation

• arxiv url: http://arxiv.org/abs/2202.13307v1
• Date: Sun, 27 Feb 2022 08:02:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 12:43:42.679789
• Title: The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation
• Title（参考訳）: 留意点推薦におけるアクティブユーザの不公平性と人気バイアス
• Authors: Hossein A. Rahmani, Yashar Deldjoo, Ali Tourani, Mohammadmehdi Naghiaei
• Abstract要約: 本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。 アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。 本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
• 参考スコア（独自算出の注目度）: 4.578469978594752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point-of-Interest (POI) recommender systems provide personalized recommendations to users and help businesses attract potential customers. Despite their success, recent studies suggest that highly data-driven recommendations could be impacted by data biases, resulting in unfair outcomes for different stakeholders, mainly consumers (users) and providers (items). Most existing fairness-related research works in recommender systems treat user fairness and item fairness issues individually, disregarding that RS work in a two-sided marketplace. This paper studies the interplay between (i) the unfairness of active users, (ii) the unfairness of popular items, and (iii) the accuracy (personalization) of recommendation as three angles of our study triangle. We group users into advantaged and disadvantaged levels to measure user fairness based on their activity level. For item fairness, we divide items into short-head, mid-tail, and long-tail groups and study the exposure of these item groups into the top-k recommendation list of users. Experimental validation of eight different recommendation models commonly used for POI recommendation (e.g., contextual, CF) on two publicly available POI recommendation datasets, Gowalla and Yelp, indicate that most well-performing models suffer seriously from the unfairness of popularity bias (provider unfairness). Furthermore, our study shows that most recommendation models cannot satisfy both consumer and producer fairness, indicating a trade-off between these variables possibly due to natural biases in data. We choose the POI recommendation as our test scenario; however, the insights should be trivially extendable on other domains.
• Abstract（参考訳）: Point-of-Interest(POI)レコメンデーションシステムは、ユーザにパーソナライズされたレコメンデーションを提供し、企業が潜在的な顧客を引き付けるのを助ける。 彼らの成功にもかかわらず、最近の研究は、データ駆動のレコメンデーションがデータバイアスの影響を受け、主にコンシューマ(ユーザ)とプロバイダ(イテム)の異なる利害関係者に不公平な結果をもたらす可能性を示唆している。 レコメンダシステムにおける既存のフェアネス関連研究のほとんどは、rsが双方向のマーケットプレースで働くことを無視して、個別にユーザフェアネスとアイテムフェアネスの問題を扱っている。 本稿は,両者の相互作用について考察する。 (i)アクティブユーザーの不公平性。 (二 人気商品の不公平、及び (iii)研究三角形の3つの角度としての推薦の精度(人格化) ユーザを有利で不利なレベルにグループ化し、そのアクティビティレベルに基づいてユーザフェアネスを測定します。 項目の公平性については、アイテムを短頭、中尾、長尾のグループに分割し、これらのアイテムグループの露出をユーザの推奨リストのトップkに分類する。 POIレコメンデーションに一般的に使用される8つの異なるレコメンデーションモデルの実験的検証(例えば、コンテキスト、CF)は、GowallaとYelpの2つの公開POIレコメンデーションデータセットにおいて、ほとんどの優れたモデルが人気バイアスの不公平さ(即ち不公平さ)に深刻な影響を受けていることを示している。 さらに本研究では, 消費者と生産者の公正性を両立できないモデルが多く, データの自然バイアスによるトレードオフが示唆されている。 テストシナリオとしてPOIレコメンデーションを選択していますが、洞察は他のドメインで簡単に拡張可能であるべきです。

関連論文リスト

• CAPRI-FAIR: Integration of Multi-sided Fairness in Contextual POI Recommendation Framework [10.454880693923808]
  本稿では,既存モデルにおける提供者と消費者の公正性を含む手法を開発する。 実験により,再装飾項目における提供者公正度に対する線形スコアリングモデルが,性能と長期露光のバランスを最大化できることが示されている。
  論文  参考訳（メタデータ） (2024-06-05T09:57:58Z)
• 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)
• 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)
• Experiments on Generalizability of User-Oriented Fairness in Recommender Systems [2.0932879442844476]
  公正を意識した推薦システムは、異なるユーザーグループを同様に扱うことを目的としている。 本稿では,ユーザ中心の公平度を再評価するフレームワークを提案する。 我々は、ユーザ(NDCGなど)とアイテム(新規性、アイテムフェアネスなど)の両方から、フレームワークの再ランク付けによる最終的なレコメンデーションを評価する。
  論文  参考訳（メタデータ） (2022-05-17T12:36:30Z)
• Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
  本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。 具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
  論文  参考訳（メタデータ） (2022-04-29T19:13:23Z)
• 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)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• User-oriented Fairness in Recommendation [21.651482297198687]
  我々は,レコメンダシステムにおける不公平性問題に対して,ユーザの視点から対処する。 ユーザの行動レベルに応じて、有利で不利なグループにグループ化します。 提案手法は,レコメンデーションシステムにおけるユーザのグループ公平性を向上するだけでなく,全体的なレコメンデーション性能も向上する。
  論文  参考訳（メタデータ） (2021-04-21T17:50:31Z)
• 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)
• FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms [36.35034531426411]
  両面のオンラインプラットフォームにおけるフェアレコメンデーションの問題について検討する。 当社のアプローチでは、公正な推奨問題の新たなマッピングと、特定不可能な商品をかなり割当する問題の制約付きのバージョンが関係している。 提案したFairRecアルゴリズムは、ほとんどの生産者に対して少なくともマクシミン・シェア(MMS)の露出を保証し、すべての顧客に対してEvy-Free to Oneアイテム(EF1)のフェアネスを保証します。
  論文  参考訳（メタデータ） (2020-02-25T09:43:48Z)

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。