論文の概要: Track2Vec: fairness music recommendation with a GPU-free
customizable-driven framework
- arxiv url: http://arxiv.org/abs/2210.16590v1
- Date: Sat, 29 Oct 2022 12:53:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:23:54.617667
- Title: Track2Vec: fairness music recommendation with a GPU-free
customizable-driven framework
- Title（参考訳）: Track2Vec:GPUのないカスタマイズ可能なフレームワークによるフェアネスミュージックレコメンデーション
- Authors: Wei-Wei Du, Wei-Yao Wang, Wen-Chih Peng
- Abstract要約: Track2Vecは、公正な音楽レコメンデーションのためのGPUフリーのカスタマイズ可能なフレームワークである。
公平度を測定するために,ミスレート-逆地中真実周波数(MR-ITF)と呼ばれる測定基準を導入する。
EvalRS @ CIKM 2022チャレンジでは,GPUフリー環境での価格ランキングを4位に引き上げている。
- 参考スコア（独自算出の注目度）: 6.2405734957622245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation systems have illustrated the significant progress made in
characterizing users' preferences based on their past behaviors. Despite the
effectiveness of recommending accurately, there exist several factors that are
essential but unexplored for evaluating various facets of recommendation
systems, e.g., fairness, diversity, and limited resources. To address these
issues, we propose Track2Vec, a GPU-free customizable-driven framework for
fairness music recommendation. In order to take both accuracy and fairness into
account, our solution consists of three modules, a customized fairness-aware
groups for modeling different features based on configurable settings, a track
representation learning module for learning better user embedding, and an
ensemble module for ranking the recommendation results from different track
representation learning modules. Moreover, inspired by TF-IDF which has been
widely used in natural language processing, we introduce a metric called Miss
Rate - Inverse Ground Truth Frequency (MR-ITF) to measure the fairness.
Extensive experiments demonstrate that our model achieves a 4th price ranking
in a GPU-free environment on the leaderboard in the EvalRS @ CIKM 2022
challenge, which is superior to the official baseline by about 200% in terms of
the official scores. In addition, the ablation study illustrates the necessity
of ensembling each group to acquire both accurate and fair recommendations.
- Abstract（参考訳）: 推薦システムは,過去の行動に基づいてユーザの嗜好を特徴づける上で,大きな進歩を示した。
正確な推薦の有効性にもかかわらず、フェアネス、多様性、限られた資源など、推薦システムの様々な側面を評価するのに不可欠な要素はいくつか存在する。
これらの問題に対処するため、フェアネス音楽レコメンデーションのためのGPUフリーのカスタマイズ可能なフレームワークであるTrack2Vecを提案する。
精度と公平性を両面から考慮するために,我々のソリューションは,3つのモジュール,設定可能な設定に基づいて異なる特徴をモデリングするためのカスタマイズされたフェアネス対応グループ,より良いユーザ埋め込みを学習するためのトラック表現学習モジュール,異なるトラック表現学習モジュールから推薦結果をランキングするアンサンブルモジュールからなる。
さらに, 自然言語処理に広く用いられているTF-IDFに触発されて, ミスレート - 逆接地真実周波数 (MR-ITF) と呼ばれる測定基準を導入する。
広範な実験により,evalrs @ cikm 2022チャレンジにおいて,gpuフリー環境での4番目の価格ランキングを達成できることが実証された。
さらに, アブレーション研究は, グループごとに正確かつ公平な推薦を得ることの必要性を示した。
関連論文リスト
- AdaF^2M^2: Comprehensive Learning and Responsive Leveraging Features in Recommendation System [16.364341783911414]
本稿では,モデルに依存しないフレームワークであるAdaF2M2を提案する。
AdaF2M2でベースモデルを固定することにより、複数のレコメンデーションシナリオでオンラインA/Bテストを行い、ユーザアクティブ日とアプリ期間で+1.37%、+1.89%の累積的な改善を実現した。
論文 参考訳（メタデータ） (2025-01-27T06:49:27Z) - A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。
合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。
実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。
高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
論文 参考訳（メタデータ） (2024-12-18T15:38:39Z) - DifFaiRec: Generative Fair Recommender with Conditional Diffusion Model [22.653890395053207]
本稿では,拡散に基づくFair Recommender (DifFaiRec) という新しい推薦アルゴリズムを提案する。
DifFaiRecは条件付き拡散モデルに基づいており、アイテムのレーティングからユーザの好みの分布を学習する強力な能力を持っている。
公正性を保証するため,保護属性に対するモデル感度を低減し,数学的説明を提供するために,対物モジュールを設計する。
論文 参考訳（メタデータ） (2024-09-18T07:39:33Z) - Personalized Multi-task Training for Recommender System [80.23030752707916]
PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。
我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
論文 参考訳（メタデータ） (2024-07-31T06:27:06Z) - Mining Stable Preferences: Adaptive Modality Decorrelation for
Multimedia Recommendation [23.667430143035787]
そこで我々は,ユーザの安定な嗜好を学習するための,新しいモダリティ記述型静的学習フレームワークMODESTを提案する。
サンプル再重み付け手法に着想を得た提案手法は,各項目の重み付けを推定し,重み付け分布の異なるモジュラリティの特徴が重み付けされるようにすることを目的としている。
提案手法は,既存のマルチメディアレコメンデーションバックボーンのプレイ・アンド・プラグモジュールとして利用できる。
論文 参考訳（メタデータ） (2023-06-25T09:09:11Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Experiments on Generalizability of User-Oriented Fairness in Recommender
Systems [2.0932879442844476]
公正を意識した推薦システムは、異なるユーザーグループを同様に扱うことを目的としている。
本稿では,ユーザ中心の公平度を再評価するフレームワークを提案する。
我々は、ユーザ(NDCGなど)とアイテム(新規性、アイテムフェアネスなど)の両方から、フレームワークの再ランク付けによる最終的なレコメンデーションを評価する。
論文 参考訳（メタデータ） (2022-05-17T12:36:30Z) - FairSR: Fairness-aware Sequential Recommendation through Multi-Task
Learning with Preference Graph Embeddings [14.543386085745192]
シークエンシャルレコメンデーションは、ユーザとイテムの相互作用の時間的ダイナミクスから学び、次のものを予測する。
本稿では,SRとアルゴリズムフェアネスの結婚を実現することを目的とする。
本稿では,新たな基準であるインタラクションフェアネスを定義した,新規なフェアネス対応シーケンシャルレコメンデーションタスクを提案する。
論文 参考訳（メタデータ） (2022-04-30T17:33:51Z) - DORB: Dynamically Optimizing Multiple Rewards with Bandits [101.68525259222164]
政策に基づく強化学習は、言語生成タスクにおいて、微分不可能な評価指標を最適化するための有望なアプローチであることが証明されている。
We use the Exp3 algorithm for bandit and formulate two approach for bandit rewards: (1) Single Multi-reward Bandit (SM-Bandit), (2) Hierarchical Multi-reward Bandit (HM-Bandit)
我々は,2つの重要なNLGタスクにおいて,様々な自動計測と人的評価を通じて,我々のアプローチの有効性を実証的に示す。
論文 参考訳（メタデータ） (2020-11-15T21:57:47Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z)
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。