Fugu-MT 論文翻訳(概要): Gender In Gender Out: A Closer Look at User Attributes in Context-Aware Recommendation

論文の概要: Gender In Gender Out: A Closer Look at User Attributes in Context-Aware Recommendation

arxiv url: http://arxiv.org/abs/2207.14218v1
Date: Thu, 28 Jul 2022 16:37:50 GMT
ステータス: 処理完了
システム内更新日: 2022-07-29 12:44:44.503414
Title: Gender In Gender Out: A Closer Look at User Attributes in Context-Aware Recommendation
Title（参考訳）: ジェンダー・イン・ジェンダーアウト:コンテクスト・アウェア・レコメンデーションにおけるユーザの属性のクローズアップ
Authors: Manel Slokom, \"Ozlem \"Ozg\"obek, Martha Larson
Abstract要約: ユーザ属性が常にレコメンデーションを改善するとは限らないことを示す。トレーニングデータからリコメンデータが作成したレコメンデーションリストに「生き残るユーザー」の情報量について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper studies user attributes in light of current concerns in the recommender system community: diversity, coverage, calibration, and data minimization. In experiments with a conventional context-aware recommender system that leverages side information, we show that user attributes do not always improve recommendation. Then, we demonstrate that user attributes can negatively impact diversity and coverage. Finally, we investigate the amount of information about users that ``survives'' from the training data into the recommendation lists produced by the recommender. This information is a weak signal that could in the future be exploited for calibration or studied further as a privacy leak.
Abstract（参考訳）: 本稿では,多様性,カバレッジ,キャリブレーション,データ最小化といった,レコメンダシステムコミュニティの現在の関心事を踏まえて,ユーザ属性について検討する。副次的な情報を活用する従来の文脈認識推薦システムを用いた実験では,ユーザの属性が常に推奨を改善するとは限らない。そして、ユーザ属性が多様性とカバレッジに悪影響を及ぼすことを示した。最後に,リコメンデータが作成したレコメンデーションリストに,トレーニングデータから「生存」したユーザの情報量について検討する。この情報は弱い信号であり、将来的には校正やプライバシーの漏洩として研究される可能性がある。

関連論文リスト

Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文参考訳（メタデータ） (2025-02-05T17:14:45Z)
Whom do Explanations Serve? A Systematic Literature Survey of User Characteristics in Explainable Recommender Systems Evaluation [7.021274080378664]
ユーザ調査では,レコメンダシステムの説明が評価された124の論文を調査した。本研究の結果は,主に特定のユーザを対象としていることが明らかとなった。より包括的で再現可能な評価に向けた行動を提案する。
論文参考訳（メタデータ） (2024-12-12T13:01:30Z)
CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文参考訳（メタデータ） (2024-08-26T16:21:50Z)
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)
User Consented Federated Recommender System Against Personalized Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。 UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文参考訳（メタデータ） (2023-12-23T09:44:57Z)
User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
論文参考訳（メタデータ） (2023-08-02T01:13:36Z)
Unlearning Protected User Attributes in Recommendations with Adversarial Training [10.268369743620159]
協調フィルタリングアルゴリズムは、特定の人口統計やユーザーの保護された情報を含む、基礎となる消費パターンをキャプチャする。これらの符号化バイアスは、様々な階層のサブグループに提供されるコンテンツのさらなる分離に向けたレコメンデーションシステムの決定に影響を与える可能性がある。本研究では,RSアルゴリズムの学習的相互作用表現から,ユーザの特定の保護された情報を除去する可能性と課題について検討する。
論文参考訳（メタデータ） (2022-06-09T13:36:28Z)
Recommending with Recommendations [1.1602089225841632]
レコメンデーションシステムは、しばしば予測を行う際に敏感なユーザー情報を引き出す。既存のサービスからのレコメンデーションに基づいて、サービスのレコメンデーションエンジンを基盤にすることで、この障害に対処する方法を示します。我々の設定では、ユーザの(潜在的に敏感な)情報は高次元の潜在空間に属します。
論文参考訳（メタデータ） (2021-12-02T04:30:15Z)
ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models [26.11434743591804]
説明に対するユーザフィードバックをユーザ好みのペアワイズ学習に活用する,ループ内人間フレームワーク ELIXIR を考案した。 elixirは、レコメンデーションと説明のペアに対するフィードバックを活用して、ユーザ固有の潜在選好ベクトルを学習する。このフレームワークは、ランダムウォークとリスタートによる一般化グラフレコメンデーションを用いてインスタンス化される。
論文参考訳（メタデータ） (2021-02-15T13:43:49Z)
Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect [89.91745908462417]
実験による推薦システムに対する事前学習の利点を示す。事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
論文参考訳（メタデータ） (2020-09-19T13:06:27Z)
Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文参考訳（メタデータ） (2020-06-03T05:04:38Z)

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。