論文の概要: Causal Disentanglement with Network Information for Debiased Recommendations

• arxiv url: http://arxiv.org/abs/2204.07221v1
• Date: Thu, 14 Apr 2022 20:55:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-19 02:50:52.674299
• Title: Causal Disentanglement with Network Information for Debiased Recommendations
• Title（参考訳）: Debiased Recommendations のためのネットワーク情報を用いた因果解離
• Authors: Paras Sheth, Ruocheng Guo, Lu Cheng, Huan Liu, K. Sel\c{c}uk Candan
• Abstract要約: 近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
• 参考スコア（独自算出の注目度）: 34.698181166037564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems aim to recommend new items to users by learning user and item representations. In practice, these representations are highly entangled as they consist of information about multiple factors, including user's interests, item attributes along with confounding factors such as user conformity, and item popularity. Considering these entangled representations for inferring user preference may lead to biased recommendations (e.g., when the recommender model recommends popular items even if they do not align with the user's interests). Recent research proposes to debias by modeling a recommender system from a causal perspective. The exposure and the ratings are analogous to the treatment and the outcome in the causal inference framework, respectively. The critical challenge in this setting is accounting for the hidden confounders. These confounders are unobserved, making it hard to measure them. On the other hand, since these confounders affect both the exposure and the ratings, it is essential to account for them in generating debiased recommendations. To better approximate hidden confounders, we propose to leverage network information (i.e., user-social and user-item networks), which are shown to influence how users discover and interact with an item. Aside from the user conformity, aspects of confounding such as item popularity present in the network information is also captured in our method with the aid of \textit{causal disentanglement} which unravels the learned representations into independent factors that are responsible for (a) modeling the exposure of an item to the user, (b) predicting the ratings, and (c) controlling the hidden confounders. Experiments on real-world datasets validate the effectiveness of the proposed model for debiasing recommender systems.
• Abstract（参考訳）: リコメンダシステムは,ユーザとアイテムの表現を学習することで,ユーザに新しいアイテムを推薦することを目的としている。 実際には、これらの表現は、ユーザの興味、アイテム属性、ユーザの適合性、アイテムの人気など、複数の要素に関する情報で構成されるため、非常に絡み合っている。 ユーザの好みを推測するための絡み合った表現を考えると、偏りのある推奨(例えば、レコメンデーションモデルがユーザーの興味に合致していない場合でも、人気のあるアイテムを推奨する)につながる可能性がある。 最近の研究は,因果的観点からレコメンダシステムをモデル化することでデバイアスを解消する。 暴露と評価は、それぞれ因果推論の枠組みにおける治療と結果に類似している。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 これらの共同ファウンダーは観察できないため、測定が難しい。 一方で、これらの共同創設者は、露出とレーティングの両方に影響を与えているため、デバイアスドレコメンデーションを生成する際にそれらを説明することが不可欠である。 隠れた共同創設者をよりよく近似するために、ユーザーがアイテムを発見して対話する方法に影響を与えるネットワーク情報(すなわち、ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用することを提案する。 ユーザのコンフォメーションとは別に、ネットワーク情報に存在するアイテムの人気などのコンファウンディングの側面も、学習した表現を独立した要因に解き明かす \textit{causal disentanglement} の助けを借りて、本手法で取得する。 (a)利用者へのアイテムの露出をモデル化すること。 (b)評価の予測、及び (c) 隠れた共同設立者を制御すること。 実世界のデータセットに関する実験は、提案モデルの有効性を検証する。

関連論文リスト

• Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence [54.13541697801396]
  我々は,PRSN(Proactive Recommendation in Social Networks)という新しいタスクを提案する。 PRSNは、社会的隣人の影響力を生かして、間接的に利用者の関心を喚起する。 本稿では,2つの主要なモジュールを持つNighbor Interference Recommendation (NIRec) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-13T15:53:40Z)
• The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems [0.0]
  本稿では,未経験項目に対するユーザの信念を収集する手法を提案する。 提案手法はMovieLensプラットフォーム上で実装され,ユーザ評価,信念,監視されたレコメンデーションを組み合わせた豊富なデータセットが得られた。
  論文  参考訳（メタデータ） (2024-05-17T19:06:06Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Influential Recommender System [12.765277278599541]
  Influential Recommender System (IRS) は,ユーザが対象アイテムを好むように積極的に導くことを目的とした,新しいレコメンデーションパラダイムである。 IRSは、ユーザに慎重に選択された項目(影響経路と呼ばれる)のシーケンスを徐々に推奨する。 IRNはベースラインレコメンデータよりも優れており,ユーザの興味に影響を及ぼす能力を示している。
  論文  参考訳（メタデータ） (2022-11-18T03:04:45Z)
• Simpson's Paradox in Recommender Fairness: Reconciling differences between per-user and aggregated evaluations [16.053419956606557]
  ランク付けとレコメンダシステムにおける公平性という2つの概念は、反対の結論につながる可能性があると論じる。 我々はこれらの概念を整理し、テンションはアイテムが関係するユーザの分布の違いによるものであることを示す。 この新たな理解に基づいて、実践者はどちらの概念にも興味を持っているかもしれないが、ユーザ単位のメトリクスで課題に直面しているかもしれない。
  論文  参考訳（メタデータ） (2022-10-14T12:43:32Z)
• 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)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Deconfounded Causal Collaborative Filtering [56.41625001876272]
  推薦システムは、様々な種類の共起因子(共同設立者とも呼ばれる)によって構成される。 本稿では,この問題を解決するために,Decon founded Causal Collaborative Filtering (DCCF)を提案する。 当社の手法は、保守されていない共同ファウンダーを非難して、より良いレコメンデーションパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-10-14T02:23:33Z)
• Be Causal: De-biasing Social Network Confounding in Recommendation [7.589060156056251]
  レコメンデーションシステムでは、MNAR問題の存在が選択バイアス問題を引き起こす。 既存のアプローチのほとんどは、観察された評価のモデルまたは再重み付け戦略を使用して、ランダムな設定の欠如を模倣しています。 我々は、因果推論における共同設立者分析に触発されて、DENCと呼ばれる非バイアスで堅牢な手法を提案する。
  論文  参考訳（メタデータ） (2021-05-17T12:38:59Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• Enabling the Analysis of Personality Aspects in Recommender Systems [0.0]
  既存のレコメンデーションシステムは、ユーザーからのフィードバック、例えば評価、類似したユーザーを検出するための一般的な項目に対するレビューの活用に重点を置いている。 我々はこの問題を,共通項目に対するフィードバックのないデータスパシティ (DSW-n-FCI) と呼んでいる。 ユーザの個性タイプを,ユーザの負担なく暗黙的に識別し,ユーザの個人的関心や知識レベルとともに取り入れる。
  論文  参考訳（メタデータ） (2020-01-07T23:02:07Z)

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。