論文の概要: Introducing a Framework and a Decision Protocol to Calibrate Recommender
Systems
- arxiv url: http://arxiv.org/abs/2204.03706v1
- Date: Thu, 7 Apr 2022 19:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 22:12:57.521395
- Title: Introducing a Framework and a Decision Protocol to Calibrate Recommender
Systems
- Title(参考訳): レコメンダシステムの校正のためのフレームワークと決定プロトコルの導入
- Authors: Diego Corr\^ea da Silva and Frederico Ara\'ujo Dur\~ao
- Abstract要約: 本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。
主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。
本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender Systems use the user's profile to generate a recommendation list
with unknown items to a target user. Although the primary goal of traditional
recommendation systems is to deliver the most relevant items, such an effort
unintentionally can cause collateral effects including low diversity and
unbalanced genres or categories, benefiting particular groups of categories.
This paper proposes an approach to create recommendation lists with a
calibrated balance of genres, avoiding disproportion between the user's profile
interests and the recommendation list. The calibrated recommendations consider
concomitantly the relevance and the divergence between the genres distributions
extracted from the user's preference and the recommendation list. The main
claim is that calibration can contribute positively to generate fairer
recommendations. In particular, we propose a new trade-off equation, which
considers the users' bias to provide a recommendation list that seeks for the
users' tendencies. Moreover, we propose a conceptual framework and a decision
protocol to generate more than one thousand combinations of calibrated systems
in order to find the best combination. We compare our approach against
state-of-the-art approaches using multiple domain datasets, which are analyzed
by rank and calibration metrics. The results indicate that the trade-off, which
considers the users' bias, produces positive effects on the precision and to
the fairness, thus generating recommendation lists that respect the genre
distribution and, through the decision protocol, we also found the best system
for each dataset.
- Abstract(参考訳): Recommender Systemsは、ユーザプロファイルを使用して、未知のアイテムを含むレコメンデーションリストをターゲットユーザに生成する。
伝統的なレコメンデーションシステムの主な目的は最も関連性の高いアイテムを提供することであるが、そのような努力は意図せず、低多様性や不均衡なジャンルやカテゴリーなど、特定のカテゴリに利益をもたらす副次的な効果を引き起こす可能性がある。
本稿では,ジャンルのバランスを調整したレコメンデーションリストを作成する手法を提案し,ユーザのプロファイルとレコメンデーションリストとの相違を回避した。
校正された推奨事項は、ユーザの好みから抽出されたジャンル分布と推奨リストとの関連性と相違を考慮する。
主な主張は、キャリブレーションがより公平なレコメンデーションを生成するのにプラスに貢献できるということである。
特に,ユーザの傾向を求めるリコメンデーションリストを提供するために,ユーザのバイアスを考慮した新たなトレードオフ式を提案する。
さらに,最適な組み合わせを見つけるために,1000以上の校正システムの組み合わせを生成するための概念的枠組みと決定プロトコルを提案する。
ランクとキャリブレーションの指標から分析した複数のドメインデータセットを用いた最先端アプローチに対するアプローチを比較した。
その結果,ユーザのバイアスを考慮したトレードオフは,正確性と公平性に肯定的な影響を与え,ジャンル分布を尊重する推薦リストを生成し,決定プロトコルによってデータセットごとに最適なシステムを見出した。
関連論文リスト
- RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-28T22:26:50Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳(メタデータ) (2023-05-18T15:37:38Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳(メタデータ) (2022-07-04T17:58:39Z) - 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) - A Review on Pushing the Limits of Baseline Recommendation Systems with
the integration of Opinion Mining & Information Retrieval Techniques [0.0]
Recommendation Systemsでは、利用者の期待にタイムリーかつ関連性がありながら、コミュニティ内のトレンドアイテムを識別することができる。
より優れた品質のレコメンデーションを達成するために、ディープラーニングの手法が提案されている。
研究者たちは、最も効果的なレコメンデーションを提供するために、標準レコメンデーションシステムの能力を拡大しようと試みている。
論文 参考訳(メタデータ) (2022-05-03T22:13:33Z) - 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) - Convolutional Gaussian Embeddings for Personalized Recommendation with
Uncertainty [17.258674767363345]
既存の埋め込みベースのレコメンデーションモデルは、低次元空間における単一の固定点に対応する埋め込みを使用する。
本稿では,不確実な嗜好に適応することが証明されたガウス埋め込みを用いた統合された深層推薦フレームワークを提案する。
本フレームワークでは,モンテカルロサンプリングと畳み込みニューラルネットワークを用いて,対象ユーザと候補項目の相関関係を計算する。
論文 参考訳(メタデータ) (2020-06-19T02:10:38Z) - DeepFair: Deep Learning for Improving Fairness in Recommender Systems [63.732639864601914]
レコメンダーシステムにおけるバイアス管理の欠如は、少数派が不公平な勧告を受けることになる。
本稿では,ユーザの人口統計情報を知ることなく,公平さと正確さを最適なバランスで組み合わせたDeep Learningベースの協調フィルタリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-09T13:39:38Z) - Using Stable Matching to Optimize the Balance between Accuracy and
Diversity in Recommendation [3.0938904602244355]
多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。
集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。
本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
論文 参考訳(メタデータ) (2020-06-05T22:12:25Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳(メタデータ) (2020-02-23T06:40:48Z)
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。