論文の概要: Item-based Variational Auto-encoder for Fair Music Recommendation
- arxiv url: http://arxiv.org/abs/2211.01333v1
- Date: Mon, 24 Oct 2022 06:42:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 14:55:26.141412
- Title: Item-based Variational Auto-encoder for Fair Music Recommendation
- Title（参考訳）: フェアミュージックレコメンデーションのためのアイテムベース変分自動エンコーダ
- Authors: Jinhyeok Park, Dain Kim, Dongwoo Kim
- Abstract要約: EvalRS DataChallengeは、評価の正確性、公平性、多様性を考慮して、より現実的なレコメンデーションシステムを構築することを目的としている。
提案システムは,アイテムベース変分自動エンコーダ(VAE)とベイズパーソナライズされたランキング行列分解(BPRMF)のアンサンブルに基づく。
- 参考スコア（独自算出の注目度）: 1.8782288713227568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present our solution for the EvalRS DataChallenge. The EvalRS
DataChallenge aims to build a more realistic recommender system considering
accuracy, fairness, and diversity in evaluation. Our proposed system is based
on an ensemble between an item-based variational auto-encoder (VAE) and a
Bayesian personalized ranking matrix factorization (BPRMF). To mitigate the
bias in popularity, we use an item-based VAE for each popularity group with an
additional fairness regularization. To make a reasonable recommendation even
the predictions are inaccurate, we combine the recommended list of BPRMF and
that of item-based VAE. Through the experiments, we demonstrate that the
item-based VAE with fairness regularization significantly reduces popularity
bias compared to the user-based VAE. The ensemble between the item-based VAE
and BPRMF makes the top-1 item similar to the ground truth even the predictions
are inaccurate. Finally, we propose a `Coefficient Variance based Fairness' as
a novel evaluation metric based on our reflections from the extensive
experiments.
- Abstract（参考訳）: EvalRS DataChallengeのソリューションを紹介します。
EvalRS DataChallengeは、精度、公平性、多様性を考慮したより現実的なレコメンデーションシステムの構築を目指している。
提案システムは,アイテムベース変分自動エンコーダ(VAE)とベイズパーソナライズされたランキング行列分解(BPRMF)のアンサンブルに基づく。
人気度のバイアスを軽減するため、各人気グループに対してアイテムベースのVAEを付加フェアネス正則化で使用する。
予測が不正確であっても合理的な推薦を行うため,BPRMFの推奨リストとアイテムベースVAEの推奨リストを組み合わせる。
実験により, 商品ベースVAEは, ユーザベースVAEに比べて, 人気バイアスを著しく低減することを示した。
アイテムベースのVAEとBPRMFのアンサンブルは、予測が不正確であっても、トップ1アイテムを地上の真実に類似させる。
最後に, 広範実験からの反射に基づく新しい評価指標として, 「係数分散に基づく公正性」を提案する。
関連論文リスト
- 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) - Rank-Preference Consistency as the Appropriate Metric for Recommender Systems [4.3166389349316425]
我々は、一元的不変なレコメンダシステム(RS)の性能は、基本的なRS特性を評価できないと論じる。
本稿では,ユーザの表現された製品嗜好と矛盾する予測ペアの数を単純に数えるランク-参照整合性を提案する。
論文 参考訳（メタデータ） (2024-04-26T01:11:07Z) - Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。
ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。
本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
論文 参考訳（メタデータ） (2023-02-13T13:11:46Z) - 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) - Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。
本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。
パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
論文 参考訳（メタデータ） (2021-11-25T06:04:59Z) - Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。
本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。
実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文 参考訳（メタデータ） (2021-09-13T15:02:55Z) - Understanding the Effects of Adversarial Personalized Ranking
Optimization Method on Recommendation Quality [6.197934754799158]
ベイズパーソナライズランキング(BPR)とAPR最適化フレームワークの学習特性をモデル化する。
APRがBPRよりも人気バイアスを増大させるのは、ショートヘッドアイテムからの肯定的な更新が不均衡に多いためである。
論文 参考訳（メタデータ） (2021-07-29T10:22:20Z) - Balancing Accuracy and Fairness for Interactive Recommendation with
Reinforcement Learning [68.25805655688876]
推薦者の公正さは、おそらく伝統的な推薦者によって引き起こされる偏見と差別によって、注目を集めている。
IRSにおける精度と公平性の長期的バランスを動的に維持するための強化学習ベースのフレームワークであるFairRecを提案する。
大規模な実験は、FairRecが優れたレコメンデーション品質を維持しながら、公正性を改善することを実証する。
論文 参考訳（メタデータ） (2021-06-25T02:02:51Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。