Fugu-MT 論文翻訳(概要): Mitigating Filter Bubbles within Deep Recommender Systems

論文の概要: Mitigating Filter Bubbles within Deep Recommender Systems

arxiv url: http://arxiv.org/abs/2209.08180v1
Date: Fri, 16 Sep 2022 22:00:10 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 19:56:38.992349
Title: Mitigating Filter Bubbles within Deep Recommender Systems
Title（参考訳）: ディープリコメンダシステムにおけるフィルタ気泡の緩和
Authors: Vivek Anand, Matthew Yang, Zhanzhan Zhao
Abstract要約: 推薦システムは、様々な視点からユーザーを知的に隔離したり、フィルターバブルを引き起こすことが知られている。このフィルタバブル効果を,ユーザとテムのインタラクション履歴に基づいて,様々なデータポイントを分類し,緩和する。我々は、このフィルタバブル効果を、リコメンデータシステムを再訓練することで、精度を損なうことなく軽減する。
参考スコア（独自算出の注目度）: 2.3590112541068575
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recommender systems, which offer personalized suggestions to users, power many of today's social media, e-commerce and entertainment. However, these systems have been known to intellectually isolate users from a variety of perspectives, or cause filter bubbles. In our work, we characterize and mitigate this filter bubble effect. We do so by classifying various datapoints based on their user-item interaction history and calculating the influences of the classified categories on each other using the well known TracIn method. Finally, we mitigate this filter bubble effect without compromising accuracy by carefully retraining our recommender system.
Abstract（参考訳）: ユーザにパーソナライズされた提案を提供するRecommenderシステムは、今日のソーシャルメディアやeコマース、エンターテイメントの多くに電力を供給する。しかし、これらのシステムは様々な視点からユーザーを知的に隔離したり、フィルターバブルを引き起こすことが知られている。本研究では, このフィルタバブル効果を特徴づけ, 緩和する。そこで我々は,ユーザ間インタラクション履歴に基づいて様々なデータポイントを分類し,よく知られたtracin法を用いた分類カテゴリーの影響を算出した。最後に,このフィルタバブル効果を精度を損なうことなく緩和し,レコメンダシステムを慎重に再トレーニングする。

関連論文リスト

An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。これを実現するために、マルチスレッドの類似性アプローチが採用されている。この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
論文参考訳（メタデータ） (2024-09-28T06:33:18Z)
System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
論文参考訳（メタデータ） (2024-05-29T18:19:37Z)
Uncovering the Deep Filter Bubble: Narrow Exposure in Short-Video Recommendation [30.395376392259497]
フィルタバブルは、オンラインコンテンツプラットフォームのコンテキスト内で広く研究されている。ショートビデオプラットフォームの増加に伴い、フィルターバブルはさらに注目されている。
論文参考訳（メタデータ） (2024-03-07T14:14:40Z)
Filter Bubble or Homogenization? Disentangling the Long-Term Effects of Recommendations on User Consumption Patterns [4.197682068104959]
より洗練されたホモジェナイゼーションとフィルタバブル効果の定義を2つの重要な指標に分解して開発する。次に,提案手法が均質化やフィルタバブル効果に与える影響を総合的に把握する新しいエージェント・ベース・シミュレーション・フレームワークを用いる。両タイプの多様性を考慮し、より曖昧なアプローチをとる2つの新しい推奨アルゴリズムを導入する。
論文参考訳（メタデータ） (2024-02-22T23:12:20Z)
Filter Bubbles in Recommender Systems: Fact or Fallacy -- A Systematic Review [7.121051191777698]
フィルターバブルとは、インターネットのカスタマイズによって様々な意見や素材から個人を効果的に隔離する現象を指す。我々は,レコメンデータシステムにおけるフィルタバブルの話題について,系統的な文献レビューを行う。本稿では,フィルタバブルの影響を緩和する機構を提案し,多様性をレコメンデーションに組み込むことで,この問題を緩和できる可能性を実証する。
論文参考訳（メタデータ） (2023-07-02T13:41:42Z)
Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文参考訳（メタデータ） (2023-05-18T15:37:38Z)
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)
PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2021-06-05T01:33:21Z)
Echo Chambers in Collaborative Filtering Based Recommendation Systems [1.5140493624413542]
我々は、MovieLensデータセットのユーザに対して協調フィルタリングアルゴリズムによって与えられるレコメンデーションをシミュレートする。システム生成レコメンデーションの長期曝露は、コンテンツの多様性を著しく低下させる。我々の研究は、これらのエコーチャンバが確立すれば、個々のユーザが自分の評価ベクトルのみを操作することで、突破するのは難しいことを示唆している。
論文参考訳（メタデータ） (2020-11-08T02:35:47Z)
Modurec: Recommender Systems with Feature and Time Modulation [50.51144496609274]
特徴量変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。 Movielensデータセットでは、これらの修正によって、最も評価された設定で最先端の結果が得られます。
論文参考訳（メタデータ） (2020-10-13T09:18:33Z)
Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。