論文の概要: Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems

• arxiv url: http://arxiv.org/abs/2203.00376v1
• Date: Tue, 1 Mar 2022 11:43:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 18:56:01.162082
• Title: Popularity Bias in Collaborative Filtering-Based Multimedia Recommender Systems
• Title（参考訳）: 協調フィルタリングに基づくマルチメディアレコメンダシステムにおける人気バイアス
• Authors: Dominik Kowald and Emanuel Lacic
• Abstract要約: 人気アイテムへの関心がほとんどないユーザは、中級ないし高い人気を持つユーザよりも、はるかに酷い推奨を受けています。 まず、人気アイテムに関心のないユーザは、大きなユーザプロファイルを持つ傾向にあり、マルチメディアレコメンデータシステムにとって重要なデータソースであることを示す。
• 参考スコア（独自算出の注目度）: 1.0660480034605238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimedia recommender systems suggest media items, e.g., songs, (digital) books and movies, to users by utilizing concepts of traditional recommender systems such as collaborative filtering. In this paper, we investigate a potential issue of such collaborative-filtering based multimedia recommender systems, namely popularity bias that leads to the underrepresentation of unpopular items in the recommendation lists. Therefore, we study four multimedia datasets, i.e., LastFm, MovieLens, BookCrossing and MyAnimeList, that we each split into three user groups differing in their inclination to popularity, i.e., LowPop, MedPop and HighPop. Using these user groups, we evaluate four collaborative filtering-based algorithms with respect to popularity bias on the item and the user level. Our findings are three-fold: firstly, we show that users with little interest into popular items tend to have large user profiles and thus, are important data sources for multimedia recommender systems. Secondly, we find that popular items are recommended more frequently than unpopular ones. Thirdly, we find that users with little interest into popular items receive significantly worse recommendations than users with medium or high interest into popularity.
• Abstract（参考訳）: マルチメディアレコメンデーターシステムは、例えば、歌、(デジタル)書籍、映画などのメディアアイテムを、協調フィルタリングのような伝統的なレコメンデーターシステムの概念を利用してユーザに推奨する。 本稿では,このような協調フィルタリングに基づくマルチメディアレコメンデータシステムの可能性,すなわちリコメンデーションリストにおける不人気項目の表現不足につながる人気バイアスについて検討する。 そこで我々は,LastFm,MovieLens,BookCrossing,MyAnimeListの4つのマルチメディアデータセットを,それぞれ,人気傾向の異なる3つのユーザグループ,すなわちLowPop,MedPop,HighPopに分割した。 これらのユーザグループを用いて,アイテムとユーザレベルの人気バイアスに関して,4つの協調フィルタリングに基づくアルゴリズムを評価した。 まず,人気アイテムに関心のないユーザが大きなユーザプロファイルを持つ傾向にあり,マルチメディアリコメンデーションシステムにとって重要なデータソースであることを示す。 第二に、人気アイテムは不人気アイテムよりも頻繁に推奨される。 第3に,人気アイテムに対する興味の少ないユーザは,中・高関心のユーザよりもはるかに悪いレコメンデーションを受けることが分かりました。

関連論文リスト

• Beyond Positive History: Re-ranking with List-level Hybrid Feedback [49.52149227298746]
  リストレベルのハイブリッドフィードバック (dubed RELIFE) を用いた再ランク付けを提案する。 ユーザの好みや行動パターンを3つのモジュールでキャプチャする。 実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-28T06:39:01Z)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• Large Language Models as Recommender Systems: A Study of Popularity Bias [46.17953988777199]
  人気アイテムは不釣り合いに推奨され、あまり人気がないが、潜在的に関連のあるアイテムを誇張している。 近年,汎用大規模言語モデルのレコメンデーションシステムへの統合が進んでいる。 本研究は,LLMがレコメンデーションシステムにおける人気バイアスに寄与するか否かを検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:53:37Z)
• 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)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• Capturing Popularity Trends: A Simplistic Non-Personalized Approach for Enhanced Item Recommendation [10.606845291519932]
  Popularity-Aware Recommender (PARE) は、最も人気の高いアイテムを予測することで、非個人化されたレコメンデーションを行う。 私たちの知る限り、レコメンデーションシステムでアイテムの人気を明示的にモデル化する最初の試みである。
  論文  参考訳（メタデータ） (2023-08-17T06:20:03Z)
• A Survey on Popularity Bias in Recommender Systems [5.952279576277445]
  本稿では、人気バイアスの潜在的な原因について論じ、リコメンダシステムにおける人気バイアスを検出し、緩和し、定量化するための既存のアプローチをレビューする。 本稿では,主に計算実験に基づく研究であり,推奨項目に長期的項目を含めることの実践的効果について,特定の仮定を前提として,今日の文献を批判的に論じる。
  論文  参考訳（メタデータ） (2023-08-02T12:58:11Z)
• Hidden Author Bias in Book Recommendation [4.2628421392139]
  協調フィルタリングアルゴリズムは、レコメンデーションを提供するために機密性の高いユーザーやアイテム情報を必要としないという利点がある。 我々は、しばしば人気バイアスは、研究者に追加のユーザー情報やアイテム情報が提供されない場合に明らかでない他のバイアスにつながると論じる。
  論文  参考訳（メタデータ） (2022-09-01T11:30:22Z)
• The Unfairness of Popularity Bias in Book Recommendation [0.0]
  人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。 本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。 以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
  論文  参考訳（メタデータ） (2022-02-27T20:21:46Z)
• User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
  推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。 本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。 ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-10T22:12:51Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。