論文の概要: A Comparative Analysis of Bias Amplification in Graph Neural Network
Approaches for Recommender Systems
- arxiv url: http://arxiv.org/abs/2301.07639v1
- Date: Wed, 18 Jan 2023 16:29:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 15:13:46.704323
- Title: A Comparative Analysis of Bias Amplification in Graph Neural Network
Approaches for Recommender Systems
- Title(参考訳): レコメンダシステムのためのグラフニューラルネットワークアプローチにおけるバイアス増幅の比較解析
- Authors: Nikzad Chizari, Niloufar Shoeibi and Mar\'ia N. Moreno-Garc\'ia
- Abstract要約: バイアス増幅問題はこれらのアルゴリズムを用いて検討する必要がある。
本稿では,GNNに基づく異なるアルゴリズムのバイアスに対する振る舞いの文献レビューと分析を通じて,この問題を包括的に研究することを目的とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender Systems (RSs) are used to provide users with personalized item
recommendations and help them overcome the problem of information overload.
Currently, recommendation methods based on deep learning are gaining ground
over traditional methods such as matrix factorization due to their ability to
represent the complex relationships between users and items and to incorporate
additional information. The fact that these data have a graph structure and the
greater capability of Graph Neural Networks (GNNs) to learn from these
structures has led to their successful incorporation into recommender systems.
However, the bias amplification issue needs to be investigated while using
these algorithms. Bias results in unfair decisions, which can negatively affect
the company reputation and financial status due to societal disappointment and
environmental harm. In this paper, we aim to comprehensively study this problem
through a literature review and an analysis of the behavior against biases of
different GNN-based algorithms compared to state-of-the-art methods. We also
intend to explore appropriate solutions to tackle this issue with the least
possible impact on the model performance.
- Abstract(参考訳): Recommender Systems(RS)は、ユーザーに対してパーソナライズされたアイテムレコメンデーションを提供し、情報過負荷の問題を克服するのに役立つ。
現在、深層学習に基づく推薦手法は、ユーザとアイテムの複雑な関係を表現し、追加情報を取り込む能力から、マトリックス因子化のような従来の手法に固執している。
これらのデータがグラフ構造を持ち、グラフニューラルネットワーク(gnn)がこれらの構造から学ぶ能力が高いという事実は、レコメンダシステムへの導入の成功につながった。
しかし,これらのアルゴリズムを用いてバイアス増幅問題を調べる必要がある。
バイアスは不公平な判断を下し、社会的失望と環境被害によって会社の評判や財務状態に悪影響を及ぼす可能性がある。
本稿では,GNNアルゴリズムのバイアスに対する振る舞いを,最先端の手法と比較して,文献レビューと分析を通じて包括的に研究することを目的とする。
モデルパフォーマンスへの影響を最小限に抑えながら、この問題に取り組むための適切なソリューションも検討するつもりです。
関連論文リスト
- Challenging Fairness: A Comprehensive Exploration of Bias in LLM-Based Recommendations [3.5297361401370044]
大言語モデル(LLM)ベースのレコメンデーションシステムは、従来のシステムよりも包括的なレコメンデーションを提供する。
これらのシステムは、しばしばバイアスを示し、主流のコンテンツを好む一方で、歪んだトレーニングデータのために非伝統的な選択肢を疎外する。
本研究では,LLMに基づくレコメンデーションシステムとバイアスの関係について検討した。
論文 参考訳(メタデータ) (2024-09-17T01:37:57Z) - Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。
近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。
我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
論文 参考訳(メタデータ) (2024-02-21T17:58:10Z) - Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。
提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文 参考訳(メタデータ) (2023-08-21T15:57:57Z) - Efficient Human-in-the-loop System for Guiding DNNs Attention [25.501443892795614]
本稿では,ユーザが指定した領域に対して,分類器の注意を対話的に誘導する,効率的なHuman-in-the-loopシステムを提案する。
注意誘導のための従来のアプローチでは、ピクセルレベルのアノテーションの準備が必要であり、インタラクティブシステムとして設計されていない。
論文 参考訳(メタデータ) (2022-06-13T09:04:32Z) - Broad Recommender System: An Efficient Nonlinear Collaborative Filtering
Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。
深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。
7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文 参考訳(メタデータ) (2022-04-20T01:25:08Z) - Recommender systems based on graph embedding techniques: A comprehensive
review [9.871096870138043]
本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。
いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
論文 参考訳(メタデータ) (2021-09-20T14:42:39Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳(メタデータ) (2021-08-26T16:19:59Z) - Graph Trend Networks for Recommendations [34.06649831739749]
推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。
これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。
彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。
本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
論文 参考訳(メタデータ) (2021-08-12T06:09:18Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-03T05:04:38Z) - 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) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳(メタデータ) (2020-02-28T02:26:30Z)
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。