論文の概要: Solutions to preference manipulation in recommender systems require
knowledge of meta-preferences
- arxiv url: http://arxiv.org/abs/2209.11801v1
- Date: Wed, 14 Sep 2022 15:01:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 23:23:04.936180
- Title: Solutions to preference manipulation in recommender systems require
knowledge of meta-preferences
- Title(参考訳): レコメンダシステムにおける選好操作のソリューションはメタ参照の知識を必要とする
- Authors: Hal Ashton, Matija Franklin
- Abstract要約: ユーザの一部の好みの変化は、自己誘導的であり、レコメンダがそれを引き起こしたかどうかを希望する。
本稿では,リコメンデータシステムにおける嗜好操作の解決策として,特定のメタ参照を考慮に入れなければならないことを提案する。
- 参考スコア(独自算出の注目度): 7.310043452300736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Iterative machine learning algorithms used to power recommender systems often
change people's preferences by trying to learn them. Further a recommender can
better predict what a user will do by making its users more predictable. Some
preference changes on the part of the user are self-induced and desired whether
the recommender caused them or not. This paper proposes that solutions to
preference manipulation in recommender systems must take into account certain
meta-preferences (preferences over another preference) in order to respect the
autonomy of the user and not be manipulative.
- Abstract(参考訳): レコメンダシステムを動かすために使用される反復機械学習アルゴリズムは、学習することで人の好みを変えることが多い。
さらにリコメンデータは、ユーザがより予測しやすくすることで、ユーザが何をするかをより正確に予測できる。
ユーザの一部の好み変更は、自己誘導であり、レコメンダがそれを引き起こすかどうかを希望する。
本稿では,レコメンダシステムにおける選好操作に対する解決策として,ユーザの自律性を尊重し,操作的でないメタ参照(他の選好に対する参照)を考慮しなければならないことを提案する。
関連論文リスト
- 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) - RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-28T22:26:50Z) - 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) - Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。
LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。
ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
論文 参考訳(メタデータ) (2023-04-09T14:52:18Z) - Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-07T23:58:19Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - 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) - Estimating and Penalizing Induced Preference Shifts in Recommender
Systems [10.052697877248601]
システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。
我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。
シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
論文 参考訳(メタデータ) (2022-04-25T21:04:46Z) - Explicit User Manipulation in Reinforcement Learning Based Recommender
Systems [0.0]
強化学習に基づくレコメンデータシステムは、クリック、エンゲージメント、消費の最大化を意味するならば、ユーザに影響を与えることができる。
ソーシャルメディアは政治的分極の増大に寄与する要因であることが示されている。
ユーザの信念と意見が特定の端に向けて調整された明示的なユーザ操作は、重要な関心事として現れます。
論文 参考訳(メタデータ) (2022-03-20T19:03:18Z) - Deviation-Based Learning [5.304857921982131]
本稿では,リコメンデータシステムの学習方法として,偏差に基づく学習を提案する。
推奨者が常に選択を推奨するなら、学習は頻繁に行き詰まります。
社会福祉と学習率は、推薦者が選択を推奨しない場合、大幅に改善される。
論文 参考訳(メタデータ) (2021-09-20T19:51:37Z) - Designing Explanations for Group Recommender Systems [0.0]
様々な理由でレコメンデーションシステムで説明が用いられる。
レコメンダーシステムの開発者は、特定のアイテムを購入するようにユーザーに説得したいです。
ユーザーは、レコメンダシステムがどのように機能し、なぜ特定のアイテムが推奨されたのかをよりよく理解する必要がある。
論文 参考訳(メタデータ) (2021-02-24T17:05:39Z)
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。