論文の概要: Dynamic Causal Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2208.11094v1
• Date: Tue, 23 Aug 2022 17:14:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 12:55:39.983853
• Title: Dynamic Causal Collaborative Filtering
• Title（参考訳）: 動的因果協調フィルタリング
• Authors: Shuyuan Xu and Juntao Tan and Zuohui Fu and Jianchao Ji and Shelby Heinecke and Yongfeng Zhang
• Abstract要約: 我々は、推薦の動的なプロセスを記述するためにループ付き因果グラフを設計する。 次にマルコフ過程を用いてエコーチャンバーの数学的性質を解析する。 我々のフレームワークは、他の最先端のフレームワークよりもエコーチャンバーを軽減できます。
• 参考スコア（独自算出の注目度）: 43.27869726384573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal graph, as an effective and powerful tool for causal modeling, is usually assumed as a Directed Acyclic Graph (DAG). However, recommender systems usually involve feedback loops, defined as the cyclic process of recommending items, incorporating user feedback in model updates, and repeating the procedure. As a result, it is important to incorporate loops into the causal graphs to accurately model the dynamic and iterative data generation process for recommender systems. However, feedback loops are not always beneficial since over time they may encourage more and more narrowed content exposure, which if left unattended, may results in echo chambers. As a result, it is important to understand when the recommendations will lead to echo chambers and how to mitigate echo chambers without hurting the recommendation performance. In this paper, we design a causal graph with loops to describe the dynamic process of recommendation. We then take Markov process to analyze the mathematical properties of echo chamber such as the conditions that lead to echo chambers. Inspired by the theoretical analysis, we propose a Dynamic Causal Collaborative Filtering ($\partial$CCF) model, which estimates users' post-intervention preference on items based on back-door adjustment and mitigates echo chamber with counterfactual reasoning. Multiple experiments are conducted on real-world datasets and results show that our framework can mitigate echo chambers better than other state-of-the-art frameworks while achieving comparable recommendation performance with the base recommendation models.
• Abstract（参考訳）: 因果グラフは因果モデリングの効果的かつ強力なツールであり、通常、DAG (Directed Acyclic Graph) と仮定される。 しかし、レコメンダシステムは、通常、アイテムをレコメンデーションし、モデル更新にユーザーフィードバックを取り入れ、手順を繰り返す循環プロセスとして定義されるフィードバックループを含む。 その結果、ループを因果グラフに組み込んで、リコメンダシステムのための動的かつ反復的なデータ生成プロセスを正確にモデル化することが重要である。 しかし、フィードバックループが必ずしも有益であるとは限らないため、時間が経つにつれて、より狭められたコンテンツ露光を奨励する可能性がある。 その結果、レコメンデーションがいつエコーチャンバーにつながるか、レコメンデーション性能を損なうことなくエコーチャンバーを緩和する方法を理解することが重要である。 本稿では,推薦の動的過程を記述するために,ループ付き因果グラフを設計する。 次にマルコフ過程を用いてエコーチャンバーの数学的性質、例えばエコーチャンバーにつながる条件を解析する。 この理論解析に触発され,バックドア調整に基づくアイテムに対するユーザの介入後の嗜好を推定し,反事実推論によるエコーチェンバリングを緩和する動的因果協調フィルタリングモデル(-partial$ccf)を提案する。 実世界のデータセット上で複数の実験を行い、その結果、我々のフレームワークは他の最先端フレームワークよりもエコーチャンバーを緩和し、ベースレコメンデーションモデルと同等なレコメンデーション性能を達成できることを示した。

関連論文リスト

• Language Model Preference Evaluation with Multiple Weak Evaluators [78.53743237977677]
  GED(Preference Graph Ensemble and Denoise)は、複数のモデルベースの評価器を活用して嗜好グラフを構築する新しいアプローチである。 GEDは,モデルランキング,応答選択,モデルアライメントタスクにおいて,ベースライン手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-14T01:57:25Z)
• Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。 ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。 我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• Denoising Time Cycle Modeling for Recommendation [19.62210742613065]
  既存の手法はユーザの行動の時間的パターンを無視する。 本稿では,ユーザの振る舞いを識別する新しい手法であるDenoising Time Cycle Modeling (DiCycle)を提案する。 DiCycleは、推薦のために多様なサイクルパターンを明示的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-02-05T04:28:08Z)
• BHEISR: Nudging from Bias to Balance -- Promoting Belief Harmony by Eliminating Ideological Segregation in Knowledge-based Recommendations [5.795636579831129]
  主な目的は,フィルタバブルによる有害な影響を最小限に抑えつつ,ユーザの信念バランスを打つことである。 BHEISRモデルは、民主的かつ透明な原則を支持しながら、ナッジ理論から原則を取り入れている。
  論文  参考訳（メタデータ） (2023-07-06T06:12:37Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• Causal Collaborative Filtering [50.22155187512759]
  Causal Collaborative Filteringは、協調フィルタリングとレコメンデーションにおける因果関係をモデル化するためのフレームワークである。 従来のCFアルゴリズムの多くは、単純化された因果グラフの下で、実際にCCFの特殊なケースであることを示す。 そこで我々は,$do$-operationに対する条件付き介入手法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T04:16:11Z)
• Theoretical Modeling of the Iterative Properties of User Discovery in a Collaborative Filtering Recommender System [0.0]
  レコメンデータシステムにおけるクローズドなフィードバックループは、さまざまな種類のバイアスを引き起こす可能性がある一般的な設定である。 本稿では,フィードバックループ設定内で動作するレコメンデータシステムの様々なコンポーネントの進化をモデル化するための理論的枠組みを提案する。 本研究は,フィードバックループの効果を定量化し,人工知能と機械学習アルゴリズムを設計するための理論的基礎を定めている。
  論文  参考訳（メタデータ） (2020-08-21T20:30:39Z)

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。