論文の概要: Positive and Negative Critiquing for VAE-based Recommenders
- arxiv url: http://arxiv.org/abs/2204.02162v1
- Date: Tue, 5 Apr 2022 12:40:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 12:56:46.783930
- Title: Positive and Negative Critiquing for VAE-based Recommenders
- Title(参考訳): vaeベースの推薦者に対する肯定的・否定的評価
- Authors: Diego Antognini and Boi Faltings
- Abstract要約: 提案するM&Ms-VAEは,レコメンデーション,説明,クオリティの観点で最先端のパフォーマンスを実現する。
M&Ms-VAEと類似のモデルでは、ユーザーは否定的に批判できる(すなわち、明示的に反対する)。
M&Ms-VAE+はM&Ms-VAEの拡張であり, 肯定的, 否定的評価が可能である。
- 参考スコア(独自算出の注目度): 39.38032088973816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Providing explanations for recommended items allows users to refine the
recommendations by critiquing parts of the explanations. As a result of
revisiting critiquing from the perspective of multimodal generative models,
recent work has proposed M&Ms-VAE, which achieves state-of-the-art performance
in terms of recommendation, explanation, and critiquing. M&Ms-VAE and similar
models allow users to negatively critique (i.e., explicitly disagree). However,
they share a significant drawback: users cannot positively critique (i.e.,
highlight a desired feature). We address this deficiency with M&Ms-VAE+, an
extension of M&Ms-VAE that enables positive and negative critiquing. In
addition to modeling users' interactions and keyphrase-usage preferences, we
model their keyphrase-usage dislikes. Moreover, we design a novel critiquing
module that is trained in a self-supervised fashion. Our experiments on two
datasets show that M&Ms-VAE+ matches or exceeds M&Ms-VAE in recommendation and
explanation performance. Furthermore, our results demonstrate that representing
positive and negative critiques differently enables M&Ms-VAE+ to significantly
outperform M&Ms-VAE and other models in positive and negative multi-step
critiquing.
- Abstract(参考訳): 推奨項目の説明を提供することで、ユーザーは説明の一部を引用することで推奨事項を洗練できる。
マルチモーダル生成モデルの観点からの批評の再検討の結果、最近の研究は、推薦、説明、批評の観点から最先端のパフォーマンスを達成するM&Ms-VAEを提案する。
M&Ms-VAEと類似したモデルでは、ユーザーは否定的に批判できる(すなわち、明示的に不一致)。
しかし、それらは大きな欠点を共有している: ユーザーは肯定的に批判できない(すなわち、望ましい機能を強調)。
M&Ms-VAE+はM&Ms-VAEの拡張であり, 肯定的, 否定的評価が可能である。
ユーザのインタラクションとキーフレーズ使用好みのモデル化に加えて,キーフレーズ使用嫌悪をモデル化する。
さらに, 自己教師あり方式で訓練された, 新たな評価モジュールを設計した。
M&Ms-VAE+ が M&Ms-VAE と一致するか,あるいは超えるかを示す2つのデータセットの実験を行った。
さらに, この結果から, M&Ms-VAE+ と M&Ms-VAE+ は, 肯定的, 否定的な多段階的評価において, 著しく優れていることが示された。
関連論文リスト
- RefuteBench: Evaluating Refuting Instruction-Following for Large
Language Models [19.985647101348775]
本稿では,質問応答,機械翻訳,電子メール作成などのタスクをカバーするベンチマークRefuteBenchを提案する。
評価の目的は、モデルが反響命令の形で肯定的にフィードバックを受けられるか、会話を通してユーザー要求に一貫して従えられるかを評価することである。
論文 参考訳(メタデータ) (2024-02-21T01:39:56Z) - DPR: An Algorithm Mitigate Bias Accumulation in Recommendation feedback
loops [41.21024436158042]
フィードバックループと未知の露出メカニズムが推奨品質とユーザエクスペリエンスに与える影響について検討した。
本研究では,動的再重み付けを用いてクロスエフェクトを緩和する非バイアスアルゴリズムである動的パーソナライズランキング(textbfDPR)を提案する。
提案手法は,フィードバックループと未知の露出機構の負の効果を緩和するものである。
論文 参考訳(メタデータ) (2023-11-10T04:36:00Z) - Constructive Large Language Models Alignment with Diverse Feedback [76.9578950893839]
本稿では,大規模言語モデルのアライメント向上のための新しい手法として,コンストラクティブ・ディバース・フィードバック(CDF)を導入する。
我々は,簡単な問題に対する批判的フィードバック,中級問題に対する改善的フィードバック,難題に対する選好的フィードバックを利用する。
このような多様なフィードバックでモデルをトレーニングすることで、トレーニングデータの少ない使用でアライメント性能を向上させることができる。
論文 参考訳(メタデータ) (2023-10-10T09:20:14Z) - Learning from Negative User Feedback and Measuring Responsiveness for
Sequential Recommenders [13.762960304406016]
シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。
大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-08-23T17:16:07Z) - Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large
Language Model Recommendation [52.62492168507781]
LLM(FaiRLLM)を用いたFairness of Recommendationと呼ばれる新しいベンチマークを提案する。
このベンチマークは、慎重に作成されたメトリクスと、8つの機密属性を考慮に入れたデータセットで構成されている。
FaiRLLMベンチマークを用いて、ChatGPTの評価を行い、レコメンデーションを生成する際には、いくつかの機密属性に対して不公平であることがわかった。
論文 参考訳(メタデータ) (2023-05-12T16:54:36Z) - Learning Robust Recommender from Noisy Implicit Feedback [140.7090392887355]
我々はAdaptive Denoising Training(ADT)という新しいトレーニング戦略を提案する。
ADTは2つのパラダイム(Trncated LossとReweighted Loss)によるノイズ相互作用を適応的に引き起こす
我々は、追加のフィードバック(例えば、評価)を補助信号とみなし、追加のフィードバックをADTに組み込むための3つの戦略を提案する。
論文 参考訳(メタデータ) (2021-12-02T12:12:02Z) - 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) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳(メタデータ) (2021-05-20T08:59:44Z) - Fast Multi-Step Critiquing for VAE-based Recommender Systems [27.207067974031805]
M&Ms-VAEは、提案と説明のための新しい変分オートエンコーダです。
モデルを弱い監督スキームでトレーニングし、完全および部分的に観察された変数をシミュレートします。
次に、訓練されたM&Ms-VAEモデルの一般化能力を利用して、ユーザの好みと批判を個別に埋め込む。
論文 参考訳(メタデータ) (2021-05-03T12:26:09Z) - Interacting with Explanations through Critiquing [40.69540222716043]
本稿では,レビューテキストからレコメンデーションのパーソナライズされた説明を生成する手法を提案する。
我々は,最先端技術による説明よりも,人間の方がこれらの説明をはるかに好んでいることを示す。
私たちの仕事の最も重要なイノベーションは、ユーザーがテキストの説明を批判することでレコメンデーションに反応できることです。
論文 参考訳(メタデータ) (2020-05-22T09:03:06Z)
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。