論文の概要: Hidden Author Bias in Book Recommendation
- arxiv url: http://arxiv.org/abs/2209.00371v1
- Date: Thu, 1 Sep 2022 11:30:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 14:07:19.786459
- Title: Hidden Author Bias in Book Recommendation
- Title(参考訳): 書評に隠れた著作家バイアス
- Authors: Savvina Daniil, Mirjam Cuper, Cynthia C.S. Liem, Jacco van
Ossenbruggen, Laura Hollink
- Abstract要約: 協調フィルタリングアルゴリズムは、レコメンデーションを提供するために機密性の高いユーザーやアイテム情報を必要としないという利点がある。
我々は、しばしば人気バイアスは、研究者に追加のユーザー情報やアイテム情報が提供されない場合に明らかでない他のバイアスにつながると論じる。
- 参考スコア(独自算出の注目度): 4.2628421392139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative filtering algorithms have the advantage of not requiring
sensitive user or item information to provide recommendations. However, they
still suffer from fairness related issues, like popularity bias. In this work,
we argue that popularity bias often leads to other biases that are not obvious
when additional user or item information is not provided to the researcher. We
examine our hypothesis in the book recommendation case on a commonly used
dataset with book ratings. We enrich it with author information using publicly
available external sources. We find that popular books are mainly written by US
citizens in the dataset, and that these books tend to be recommended
disproportionally by popular collaborative filtering algorithms compared to the
users' profiles. We conclude that the societal implications of popularity bias
should be further examined by the scholar community.
- Abstract(参考訳): 協調フィルタリングアルゴリズムは、レコメンデーションを提供するためにセンシティブなユーザやアイテムの情報を必要としないという利点がある。
しかし、それでも人気バイアスのような公平な問題に苦しんでいる。
本研究では,研究者に付加的なユーザ情報やアイテム情報が提供されない場合,人気バイアスが他のバイアスにつながる場合が多いことを論じる。
本論文では,本格付データセットを用いて本推薦事例の仮説を検証した。
公開されている外部ソースを使用して著者情報を豊かにします。
人気書籍は,主に米国市民がデータセットで執筆し,それらの書籍は,ユーザのプロファイルと比較して,一般的な協調フィルタリングアルゴリズムによって不釣り合いに推奨される傾向がみられた。
我々は,人気バイアスの社会的含意を,学者コミュニティによってさらに検討すべきだと結論づける。
関連論文リスト
- Whole Page Unbiased Learning to Rank [53.36724639151159]
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,バイアスを自動的に検出・緩和するアルゴリズム,BALのランク付けを行うバイアス非依存型学習を提案する。
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) - Tag-Aware Document Representation for Research Paper Recommendation [68.8204255655161]
本稿では,ユーザによって割り当てられたソーシャルタグに基づいて,研究論文の深い意味表現を活用するハイブリッドアプローチを提案する。
提案手法は,評価データが極めて少ない場合でも研究論文の推薦に有効である。
論文 参考訳(メタデータ) (2022-09-08T09:13:07Z) - Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。
我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。
我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
論文 参考訳(メタデータ) (2022-06-26T12:07:56Z) - 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) - The SAME score: Improved cosine based bias score for word embeddings [63.24247894974291]
文献の考えに基づくバイアス定義を提供し、バイアススコアの新たな要件を導出する。
既存のバイアススコアの欠点に対処し,単語埋め込みにおけるバイアスの定量化に好適であることを示す。
論文 参考訳(メタデータ) (2022-03-28T09:28:13Z) - The Unfairness of Popularity Bias in Book Recommendation [0.0]
人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。
本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。
以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
論文 参考訳(メタデータ) (2022-02-27T20:21:46Z) - An Adaptive Boosting Technique to Mitigate Popularity Bias in
Recommender System [1.5800354337004194]
一般的な精度尺度は人気項目に偏りがあり、非人気項目と比較して人気項目の精度が向上する。
本稿では,人気項目と非人気項目の誤りの差として,人気バイアスを測定する指標について考察する。
そこで本研究では,データ中の人気バイアスを低減させるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-09-13T03:04:55Z) - Correcting Exposure Bias for Link Recommendation [31.799185352323807]
露出バイアスは、ユーザーが特定の関連項目に体系的に過小評価されているときに生じる。
このバイアスを軽減するために、既知の露光確率を利用する推定器を提案する。
我々の手法は、推奨論文の研究分野においてより多様性をもたらす。
論文 参考訳(メタデータ) (2021-06-13T16:51:41Z) - User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。
本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。
ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
論文 参考訳(メタデータ) (2021-03-10T22:12:51Z) - 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。
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。