論文の概要: Understanding or Manipulation: Rethinking Online Performance Gains of
Modern Recommender Systems
- arxiv url: http://arxiv.org/abs/2210.05662v1
- Date: Tue, 11 Oct 2022 17:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:49:25.017310
- Title: Understanding or Manipulation: Rethinking Online Performance Gains of
Modern Recommender Systems
- Title(参考訳): 理解と操作: 現代のレコメンデーションシステムのオンラインパフォーマンス向上を再考する
- Authors: Zhengbang Zhu, Rongjun Qin, Junjie Huang, Xinyi Dai, Yang Yu, Yong Yu
and Weinan Zhang
- Abstract要約: 本稿では,推薦アルゴリズムの操作の程度をベンチマークするための一般的なフレームワークを提案する。
我々は、合成データセットと実世界のデータセットの両方において、いくつかの代表的な推奨アルゴリズムをベンチマークする。
トレーニングデータの特性が操作度に顕著な影響を与えていることが判明した。
- 参考スコア(独自算出の注目度): 29.154800632171764
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recommender systems are expected to be assistants that help human users find
relevant information in an automatic manner without explicit queries. As
recommender systems evolve, increasingly sophisticated learning techniques are
applied and have achieved better performance in terms of user engagement
metrics such as clicks and browsing time. The increase of the measured
performance, however, can have two possible attributions: a better
understanding of user preferences, and a more proactive ability to utilize
human bounded rationality to seduce user over-consumption. A natural following
question is whether current recommendation algorithms are manipulating user
preferences. If so, can we measure the manipulation level? In this paper, we
present a general framework for benchmarking the degree of manipulations of
recommendation algorithms, in both slate recommendation and sequential
recommendation scenarios. The framework consists of three stages, initial
preference calculation, algorithm training and interaction, and metrics
calculation that involves two proposed metrics, Manipulation Score and
Preference Shift. We benchmark some representative recommendation algorithms in
both synthetic and real-world datasets under the proposed framework. We have
observed that a high online click-through rate does not mean a better
understanding of user initial preference, but ends in prompting users to choose
more documents they initially did not favor. Moreover, we find that the
properties of training data have notable impacts on the manipulation degrees,
and algorithms with more powerful modeling abilities are more sensitive to such
impacts. The experiments also verified the usefulness of the proposed metrics
for measuring the degree of manipulations. We advocate that future
recommendation algorithm studies should be treated as an optimization problem
with constrained user preference manipulations.
- Abstract(参考訳): レコメンダシステムは、明示的なクエリなしで、ユーザが関連する情報を自動的に見つけるのに役立つアシスタントとして期待されている。
レコメンダシステムが進化するにつれて、ますます高度な学習技術が適用され、クリックやブラウジング時間といったユーザのエンゲージメント指標において、よりよいパフォーマンスを達成している。
しかし、測定されたパフォーマンスの増加は、ユーザーの好みをよりよく理解することと、人間の有界合理性を利用してユーザの過度な消費を誘惑するより積極的な能力という2つの可能性がある。
自然な疑問は、現在の推奨アルゴリズムがユーザの好みを操作するかどうかである。
もしそうなら、操作レベルを計測できますか?
本稿では,slateレコメンデーションシナリオと逐次レコメンデーションシナリオの両方において,レコメンデーションアルゴリズムの操作の程度をベンチマークするための汎用フレームワークを提案する。
このフレームワークは、初期選好計算、アルゴリズムのトレーニングとインタラクション、および2つの提案されたメトリクスであるManipulation ScoreとPreference Shiftを含むメトリクス計算の3段階で構成されている。
提案フレームワークでは,合成データと実世界のデータセットの両方において,代表的な推奨アルゴリズムをいくつかベンチマークする。
オンラインのクリックスルー率が高いことは、ユーザの初期の好みをよりよく理解するという意味ではなく、ユーザが最初に好まなかったドキュメントをもっと選ぶように促すことである。
さらに, 学習データの特性は操作度に有意な影響を与え, より強力なモデリング能力を持つアルゴリズムは, その影響に対してより敏感であることがわかった。
実験は、操作の度合いを測定するための提案された指標の有用性も検証した。
今後のレコメンデーションアルゴリズムの研究は,ユーザの嗜好操作を制約した最適化問題として扱うべきである。
関連論文リスト
- Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - On the Generalizability and Predictability of Recommender Systems [33.46314108814183]
推奨システムアプローチに関する大規模な研究を初めて行った。
Reczillaは、レコメンデーションシステムのためのメタラーニングアプローチです。
論文 参考訳(メタデータ) (2022-06-23T17:51:42Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳(メタデータ) (2022-04-02T03:23:46Z) - Batch versus Sequential Active Learning for Recommender Systems [3.7796614675664397]
シーケンシャルモードは、高密度データセットに対して最も正確なレコメンデーションを生成する。
ほとんどのアクティブな学習者にとって、最良の予測器はシーケンシャルモードと組み合わせてFunkSVDであることが判明した。
論文 参考訳(メタデータ) (2022-01-19T12:50:36Z) - Recommending with Recommendations [1.1602089225841632]
レコメンデーションシステムは、しばしば予測を行う際に敏感なユーザー情報を引き出す。
既存のサービスからのレコメンデーションに基づいて、サービスのレコメンデーションエンジンを基盤にすることで、この障害に対処する方法を示します。
我々の設定では、ユーザの(潜在的に敏感な)情報は高次元の潜在空間に属します。
論文 参考訳(メタデータ) (2021-12-02T04:30:15Z) - D2RLIR : an improved and diversified ranking function in interactive
recommendation systems based on deep reinforcement learning [0.3058685580689604]
本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。
提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
論文 参考訳(メタデータ) (2021-10-28T13:11:29Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳(メタデータ) (2021-10-18T08:11:24Z) - Do Offline Metrics Predict Online Performance in Recommender Systems? [79.48653445643865]
6つのシミュレーション環境におけるレコメンデータの評価により,オフラインメトリクスがオンラインのパフォーマンスを予測する程度について検討した。
オフラインメトリクスは、様々な環境におけるオンラインのパフォーマンスと相関している。
本研究は,探索戦略の追加による影響について検討し,その有効性はレコメンデーションアルゴリズムに大きく依存していることを示す。
論文 参考訳(メタデータ) (2020-11-07T01:41:13Z) - AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。
実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文 参考訳(メタデータ) (2020-06-11T16:36:31Z) - Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。
さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文 参考訳(メタデータ) (2020-04-17T08:05:33Z)
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。