論文の概要: Causal Intervention for Fairness in Multi-behavior Recommendation
- arxiv url: http://arxiv.org/abs/2209.04589v1
- Date: Sat, 10 Sep 2022 04:21:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 13:43:53.751848
- Title: Causal Intervention for Fairness in Multi-behavior Recommendation
- Title（参考訳）: マルチビヘイビア勧告における公正のための因果介入
- Authors: Xi Wang, Wenjie Wang, Fuli Feng, Wenge Rong and Chuantao Yin
- Abstract要約: 異なるユーザ行動(例えば変換率)間の関係は、実際にはアイテムの品質を反映している、と我々は主張する。
本稿では,不公平な問題に対処するため,複数のユーザの行動を考慮した人気バイアスを軽減することを提案する。
- 参考スコア（独自算出の注目度）: 32.292429152702674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems usually learn user interests from various user behaviors,
including clicks and post-click behaviors (e.g., like and favorite). However,
these behaviors inevitably exhibit popularity bias, leading to some unfairness
issues: 1) for items with similar quality, more popular ones get more exposure;
and 2) even worse the popular items with lower popularity might receive more
exposure. Existing work on mitigating popularity bias blindly eliminates the
bias and usually ignores the effect of item quality. We argue that the
relationships between different user behaviors (e.g., conversion rate) actually
reflect the item quality. Therefore, to handle the unfairness issues, we
propose to mitigate the popularity bias by considering multiple user behaviors.
In this work, we examine causal relationships behind the interaction
generation procedure in multi-behavior recommendation. Specifically, we find
that: 1) item popularity is a confounder between the exposed items and users'
post-click interactions, leading to the first unfairness; and 2) some hidden
confounders (e.g., the reputation of item producers) affect both item
popularity and quality, resulting in the second unfairness. To alleviate these
confounding issues, we propose a causal framework to estimate the causal
effect, which leverages backdoor adjustment to block the backdoor paths caused
by the confounders. In the inference stage, we remove the negative effect of
popularity and utilize the good effect of quality for recommendation.
Experiments on two real-world datasets validate the effectiveness of our
proposed framework, which enhances fairness without sacrificing recommendation
accuracy.
- Abstract（参考訳）: レコメンダシステムは通常、クリックやポストクリック(likeやlikeなど)など、さまざまなユーザーの行動からユーザーの興味を学習する。
しかし、これらの行動は必然的に人気バイアスを示し、不公平な問題を引き起こします。
1) 類似品質の品目については、より人気のある品目が露出しやすくなり、
2) 人気度が低い人気商品の方が露出が大きくなる可能性がある。
人気バイアスを緩和する既存の作業は、バイアスを盲目的に排除し、通常アイテムの品質の影響を無視する。
異なるユーザ行動(例えば変換率)の関係は、実際にはアイテムの品質を反映している、と我々は主張する。
そこで,不公平な問題に対処するために,複数のユーザの行動を考慮し,人気バイアスを軽減することを提案する。
本研究では,複数行動推薦におけるインタラクション生成手順の背後にある因果関係について検討する。
特に、私たちはこう発見しています。
1) アイテムの人気度は,露出したアイテムとクリック後のインタラクションの結合であり,最初の不公平性につながる。
2) 隠れた共同設立者(例えば、商品生産者の評判)は、商品の人気と品質の両方に影響を与え、第二の不公平をもたらす。
これらの問題点を解消するため,共同設立者によるバックドア経路の抑制にバックドア調整を利用する因果効果を推定する因果枠組みを提案する。
推論段階では、人気のネガティブな効果を排除し、品質のよい効果を推薦に活用する。
2つの実世界のデータセット実験により,提案手法の有効性が検証された。
関連論文リスト
- Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence [54.13541697801396]
我々は,PRSN(Proactive Recommendation in Social Networks)という新しいタスクを提案する。
PRSNは、社会的隣人の影響力を生かして、間接的に利用者の関心を喚起する。
本稿では,2つの主要なモジュールを持つNighbor Interference Recommendation (NIRec) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-13T15:53:40Z) - Popularity-Aware Alignment and Contrast for Mitigating Popularity Bias [34.006766098392525]
協調フィルタリング(CF)は通常、現実のデータセットにおけるアイテムの不均一な分布のため、人気バイアスの課題に悩まされる。
このバイアスは、人気アイテムと不人気アイテムの間にかなりの精度のギャップをもたらす。
本稿では,2つの課題に対処するために,PAAC(Popularity-Aware Alignment and Contrast)を提案する。
論文 参考訳（メタデータ） (2024-05-31T09:14:48Z) - A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
選好選好における選好バイアスの影響について検討した。
大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。
本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
論文 参考訳（メタデータ） (2024-05-01T14:56:56Z) - Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。
項目と評価値の双方に影響される多因子選択バイアスについて検討する。
分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T12:18:21Z) - Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
人気バイアスはレコメンデーションシステムの分野で広く問題となっている。
本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
論文 参考訳（メタデータ） (2023-08-22T08:57:44Z) - Ranking with Popularity Bias: User Welfare under Self-Amplification
Dynamics [19.59766711993837]
本稿では,アイテムの人気度,商品品質,位置バイアスがユーザの選択に影響を与える一般的なメカニズムを提案し,理論的に分析する。
人気度の高い推薦者は,商品の品質と人気を混同することで,線形後悔を誘発することを示す。
論文 参考訳（メタデータ） (2023-05-24T22:38:19Z) - The Bandwagon Effect: Not Just Another Bias [13.579420996461439]
バンドワゴン効果は統計バイアスの問題とみなすべきではない。
関係性推定における収束性に関する問題セットを導入し,不整合性を持たせることができることを示す。
この研究は、バンドワゴン効果が、推奨におけるよく研究された選択バイアスと根本的に異なる、未解明のオープンな問題を生じさせることを示すことを目的としている。
論文 参考訳（メタデータ） (2022-06-25T17:24:35Z) - Reconciling the Quality vs Popularity Dichotomy in Online Cultural
Markets [62.146882023375746]
本研究では,現在普及している商品に偏りがある可能性のあるランキングアルゴリズムにより,品質基準を隠蔽した$N$アイテムをユーザに推奨する,理想化されたオンライン文化市場のモデルを提案する。
我々のゴールは、人気バイアスが高品質アイテムが低品質アイテムよりも人気になるのを防ぎ、品質と人気ランキングの間に望ましくないミスアライメントをもたらすという、よく知られた事実の根底にあるメカニズムをよりよく理解することである。
論文 参考訳（メタデータ） (2022-04-28T14:36:11Z) - 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) - 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)
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。