論文の概要: Bilateral Self-unbiased Learning from Biased Implicit Feedback
- arxiv url: http://arxiv.org/abs/2207.12660v1
- Date: Tue, 26 Jul 2022 05:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:22:56.280982
- Title: Bilateral Self-unbiased Learning from Biased Implicit Feedback
- Title(参考訳): Biased Implicit Feedback を用いたバイラテラル自己不偏性学習
- Authors: Jae-woong Lee, Seongmin Park, Joonseok Lee, and Jongwuk Lee
- Abstract要約: バイラテラル・セルフ・アンバイアスド・レコメンダ(BISER)という,新しいアンバイアスド・レコメンダラー・ラーニング・モデルを提案する。
BISERは、(i)自己逆確率重み付け(SIPW)と(ii)モデル予測における2つの相補的モデル間のギャップを埋める両側非バイアス学習(BU)の2つの重要な構成要素から構成される。
大規模な実験により、BISERは複数のデータセットに対して最先端の非バイアスのレコメンデータモデルより一貫して優れていることが示されている。
- 参考スコア(独自算出の注目度): 10.690479112143658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit feedback has been widely used to build commercial recommender
systems. Because observed feedback represents users' click logs, there is a
semantic gap between true relevance and observed feedback. More importantly,
observed feedback is usually biased towards popular items, thereby
overestimating the actual relevance of popular items. Although existing studies
have developed unbiased learning methods using inverse propensity weighting
(IPW) or causal reasoning, they solely focus on eliminating the popularity bias
of items. In this paper, we propose a novel unbiased recommender learning
model, namely BIlateral SElf-unbiased Recommender (BISER), to eliminate the
exposure bias of items caused by recommender models. Specifically, BISER
consists of two key components: (i) self-inverse propensity weighting (SIPW) to
gradually mitigate the bias of items without incurring high computational
costs; and (ii) bilateral unbiased learning (BU) to bridge the gap between two
complementary models in model predictions, i.e., user- and item-based
autoencoders, alleviating the high variance of SIPW. Extensive experiments show
that BISER consistently outperforms state-of-the-art unbiased recommender
models over several datasets, including Coat, Yahoo! R3, MovieLens, and
CiteULike.
- Abstract(参考訳): 暗黙的なフィードバックは商用レコメンデーションシステムを構築するために広く使われている。
観察されたフィードバックはユーザのクリックログを表すため、真の関連性と観察されたフィードバックとの間には意味的なギャップがある。
より重要なことに、観察されたフィードバックは通常、人気アイテムに偏りがあり、その結果、人気アイテムの実際の関連性を過大評価します。
既存の研究は、逆傾向重み付け(ipw)や因果推論を用いた偏りのない学習法を開発したが、それらは単にアイテムの人気バイアスを取り除くことに集中している。
本稿では,推薦者モデルによって引き起こされる項目の露出バイアスを取り除くために,新しい非バイアス付き推薦者学習モデル(BISER)を提案する。
具体的には、BISERは2つのキーコンポーネントから構成される。
(i)高い計算コストを伴わずにアイテムのバイアスを緩やかに緩和する自逆傾向重み付け(sipw)
(二)二元的非バイアス学習(BU)により、SIPWの高分散を緩和し、モデル予測における2つの相補的モデルのギャップを埋める。
大規模な実験によると、BISERはCoat、Yahoo! R3、MovieLens、CiteULikeなど、いくつかのデータセットで最先端の非バイアスのレコメンデータモデルを上回っている。
関連論文リスト
- Debiased Recommendation with Noisy Feedback [41.38490962524047]
収集データ中のMNARとOMEから予測モデルの非バイアス学習に対する交差点脅威について検討する。
まず, OME-EIB, OME-IPS, OME-DR推定器を設計する。
論文 参考訳(メタデータ) (2024-06-24T23:42:18Z) - Debiased Model-based Interactive Recommendation [22.007617148466807]
textbfidentible textbfDebiased textbfModel-based textbfInteractive textbfRecommendation(略してtextbfiDMIR)と呼ばれるモデルを開発する。
最初の欠点として、識別保証を伴う時間変化レコメンデーション生成プロセスの因果メカニズムに基づいて、偏見付き因果世界モデルを考案する。
第2の欠点として、偏りのある対照的な学習と一致し、サンプリングバイアスを避ける、偏りのある対照的な政策を考案する。
論文 参考訳(メタデータ) (2024-02-24T14:10:04Z) - GPTBIAS: A Comprehensive Framework for Evaluating Bias in Large Language
Models [83.30078426829627]
大規模言語モデル(LLM)は人気を集め、大規模なユーザコミュニティで広く採用されている。
既存の評価手法には多くの制約があり、それらの結果は限定的な解釈可能性を示している。
本稿では,LPMの高性能性を活用し,モデル内のバイアスを評価するGPTBIASというバイアス評価フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-11T12:02:14Z) - Unbiased Learning to Rank with Biased Continuous Feedback [5.561943356123711]
雑音フィードバックに基づいて相対関係を正確にモデル化するために,非バイアス学習 to ランク(LTR)アルゴリズムを検証した。
パーソナライズされた高品質なレコメンデーション結果を提供するために、レコメンダシステムはカテゴリと継続的なバイアスフィードバックの両方をモデルにする必要があります。
位置バイアス、信頼バイアス、ユーザ関係を明確に区別するために、ペアワイズ信頼バイアスを導入します。
Tencent Newsの公開ベンチマークデータセットと大規模レコメンデータシステムの内部ライブトラフィックの実験結果は、連続ラベルに対して優れた結果を示している。
論文 参考訳(メタデータ) (2023-03-08T02:14:08Z) - Whole Page Unbiased Learning to Rank [59.52040055543542]
アンバイアスド・ラーニング・トゥ・ランク(ULTR)アルゴリズムは、バイアスド・クリックデータを用いたアンバイアスド・ランキングモデルを学ぶために提案される。
本稿では,BALというアルゴリズムをランク付けするバイアス非依存学習を提案する。
実世界のデータセットによる実験結果から,BALの有効性が検証された。
論文 参考訳(メタデータ) (2022-10-19T16:53:08Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳(メタデータ) (2022-09-22T04:32:51Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳(メタデータ) (2022-04-26T09:20:27Z) - 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) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳(メタデータ) (2021-12-20T14:47:32Z) - Debiased Explainable Pairwise Ranking from Implicit Feedback [0.3867363075280543]
BPR(Bayesian Personalized Ranking)に焦点をあてる。
BPRはアウトプットを説明しないブラックボックスモデルであり、ユーザのレコメンデーションに対する信頼を制限する。
本稿では,項目に基づく説明とともにレコメンデーションを生成する新しい説明可能な損失関数と,それに対応する行列分解モデルを提案する。
論文 参考訳(メタデータ) (2021-07-30T17:19:37Z)
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。