論文の概要: Fairness in the First Stage of Two-Stage Recommender Systems

• arxiv url: http://arxiv.org/abs/2205.15436v1
• Date: Mon, 30 May 2022 21:21:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 15:15:38.032316
• Title: Fairness in the First Stage of Two-Stage Recommender Systems
• Title（参考訳）: 2段階推薦システム第一段階の公平性
• Authors: Lequn Wang and Thorsten Joachims
• Abstract要約: 大規模レコメンデーションシステムにおける項目の公平性を確保する方法について検討する。 既存の第一段階の推薦者は不公平な候補者を選ぶかもしれない。 本稿では,2つのしきい値選択ルールを提案する。
• 参考スコア（独自算出の注目度）: 28.537935838669423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many large-scale recommender systems consist of two stages, where the first stage focuses on efficiently generating a small subset of promising candidates from a huge pool of items for the second-stage model to curate final recommendations from. In this paper, we investigate how to ensure groups fairness to the items in this two-stage paradigm. In particular, we find that existing first-stage recommenders might select an irrecoverably unfair set of candidates such that there is no hope for the second-stage recommender to deliver fair recommendations. To this end, we propose two threshold-policy selection rules that, given any relevance model of queries and items and a point-wise lower confidence bound on the expected number of relevant items for each policy, find near-optimal sets of candidates that contain enough relevant items in expectation from each group of items. To instantiate the rules, we demonstrate how to derive such confidence bounds from potentially partial and biased user feedback data, which are abundant in many large-scale recommender systems. In addition, we provide both finite-sample and asymptotic analysis of how close the two threshold selection rules are to the optimal thresholds. Beyond this theoretical analysis, we show empirically that these two rules can consistently select enough relevant items from each group while minimizing the size of the candidate sets for a wide range of settings.
• Abstract（参考訳）: 多くの大規模レコメンデーションシステムは2つの段階から構成されており、第1段階は、最終レコメンデーションをキュレートする第2段階モデルのための巨大なアイテムプールから、有望な候補の小さなサブセットを効率的に生成することに焦点を当てている。 本稿では,この2段階パラダイムの項目に対してグループフェアネスを確保する方法について検討する。 特に,既存の第1段階の推薦者は,不公平な候補を選ぶ可能性があり,第2段階の推薦者が公正な推薦を行う見込みがない。 そこで本稿では,クエリや項目の関連性モデルと,各ポリシーに期待される項目数に限定したポイントワイドな信頼度を条件として,各項目群から十分な関連項目を含む候補をほぼ最適に選択する2つのしきい値選択ルールを提案する。 ルールをインスタンス化するために,多数の大規模レコメンデータシステムに多い部分的および偏りのあるユーザフィードバックデータから,そのような信頼性境界を導出する方法を実証する。 さらに、2つのしきい値選択規則が最適しきい値にどの程度近いかの有限サンプルと漸近解析の両方を提供する。 この理論解析の他に、これらの2つのルールは、幅広い設定の候補セットのサイズを最小化しながら、各グループから十分な関連項目を一貫して選択できることを示す。

関連論文リスト

• Centralized Selection with Preferences in the Presence of Biases [25.725937202777267]
  本論文は,候補を複数のグループに分けた設定に焦点をあて,いくつかのグループにおける候補の観測ユーティリティは,真のユーティリティよりも体系的に低い偏りを呈する。 アルゴリズムは、選好に関して準最適群フェアネスを達成するための選択を生成するとともに、分布的仮定の下で真の効用をほぼ最大化する証明と共に提示される。
  論文  参考訳（メタデータ） (2024-09-07T19:47:13Z)
• Representing and Reasoning with Multi-Stakeholder Qualitative Preference Queries [9.768677073327423]
  マルチステークホルダーの質的嗜好による推論に関する最初の公式な処置を提供する。 本稿では,特定の基準を満たす結果の集合に対して,そのような嗜好に対してクエリを表現するクエリを提案する。 提案手法の有効性を示す実験結果について述べる。
  論文  参考訳（メタデータ） (2023-07-30T19:52:59Z)
• 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)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• A New Approach to Overgenerating and Scoring Abstractive Summaries [9.060597430218378]
  ステージ1ではソーステキストから多様な候補要約を生成し,ステージ2では許容候補をスコア付けして選択する2段階戦略を提案する。 私達の発電機はスペースが限られているとき特に適している要約の長さの精密な制御を与えます。 我々のセレクタは、最適な要約長を予測し、元のテキストに忠実さを特に強調するように設計されている。
  論文  参考訳（メタデータ） (2021-04-05T00:29:45Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• 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。