論文の概要: FairSR: Fairness-aware Sequential Recommendation through Multi-Task Learning with Preference Graph Embeddings

• arxiv url: http://arxiv.org/abs/2205.00313v1
• Date: Sat, 30 Apr 2022 17:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 16:31:42.981958
• Title: FairSR: Fairness-aware Sequential Recommendation through Multi-Task Learning with Preference Graph Embeddings
• Title（参考訳）: FairSR: 優先グラフ埋め込みを用いたマルチタスク学習によるフェアネス対応シーケンスレコメンデーション
• Authors: Cheng-Te Li, Cheng Hsu, Yang Zhang
• Abstract要約: シークエンシャルレコメンデーションは、ユーザとイテムの相互作用の時間的ダイナミクスから学び、次のものを予測する。 本稿では,SRとアルゴリズムフェアネスの結婚を実現することを目的とする。 本稿では,新たな基準であるインタラクションフェアネスを定義した,新規なフェアネス対応シーケンシャルレコメンデーションタスクを提案する。
• 参考スコア（独自算出の注目度）: 14.543386085745192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation (SR) learns from the temporal dynamics of user-item interactions to predict the next ones. Fairness-aware recommendation mitigates a variety of algorithmic biases in the learning of user preferences. This paper aims at bringing a marriage between SR and algorithmic fairness. We propose a novel fairness-aware sequential recommendation task, in which a new metric, interaction fairness, is defined to estimate how recommended items are fairly interacted by users with different protected attribute groups. We propose a multi-task learning based deep end-to-end model, FairSR, which consists of two parts. One is to learn and distill personalized sequential features from the given user and her item sequence for SR. The other is fairness-aware preference graph embedding (FPGE). The aim of FPGE is two-fold: incorporating the knowledge of users' and items' attributes and their correlation into entity representations, and alleviating the unfair distributions of user attributes on items. Extensive experiments conducted on three datasets show FairSR can outperform state-of-the-art SR models in recommendation performance. In addition, the recommended items by FairSR also exhibit promising interaction fairness.
• Abstract（参考訳）: 逐次レコメンデーション(SR)は、ユーザとイテムの相互作用の時間的ダイナミクスから学び、次のものを予測する。 フェアネス・アウェア・レコメンデーションは、ユーザの好みの学習において様々なアルゴリズムバイアスを緩和する。 本稿では,SRとアルゴリズムフェアネスの結婚をめざす。 本稿では,異なる属性グループを持つユーザによる推奨項目の適切なインタラクションを推定するために,インタラクションフェアネスという新たなメトリックが定義される,新しいフェアネス対応のシーケンシャルレコメンデーションタスクを提案する。 本稿では,2つの部分からなるマルチタスク学習ベースのディープエンド・ツー・エンドモデルであるfairsrを提案する。 1つは、SRのユーザとそのアイテムシーケンスからパーソナライズされたシーケンシャルな特徴を学習し、抽出することである。 もう1つはFPGE(Fairness-Aware preference graph embedded)である。 FPGEの目的は、ユーザの属性とアイテムの属性の知識とそれらの相関をエンティティ表現に取り入れ、アイテム上のユーザ属性の不公平な分布を緩和することである。 3つのデータセットで実施された大規模な実験は、FairSRが推奨性能で最先端のSRモデルより優れていることを示している。 さらに、FairSRによる推奨項目は、有望な相互作用の公平性を示す。

関連論文リスト

• When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation [56.98380787425388]
  シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。 SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。 産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T09:04:50Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• 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)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Attentive Social Recommendation: Towards User And Item Diversities [19.68134197265983]
  我々はこの問題に対処するための注意深い社会レコメンデーションシステム(ASR)を提案する。 まず、ASRでは、Rec-convグラフネットワーク層が、ソーシャルファクター、ユーザレーティング、アイテムレーティングの要素を抽出するために提案される。 第二に、多様な評価値に対して、遠ざかる戦略が適用される。
  論文  参考訳（メタデータ） (2020-11-09T21:57:45Z)
• Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation [18.516121495514007]
  セッションベースのレコメンデーション(SR)は、与えられたセッションに基づいて次に対話されたアイテムを予測することを目的としている。 ほとんどの既存のSRモデルは、あるユーザが対話するセッションにおける連続したアイテムの活用にのみ焦点をあてている。 セッションベースレコメンデーションのためのマルチタスク学習にユーザマイクロビヘイビアとアイテム知識を組み込んだ新しいSRモデルMKM-SRを提案する。
  論文  参考訳（メタデータ） (2020-06-12T03:06:23Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。