論文の概要: A Study on Accuracy, Miscalibration, and Popularity Bias in
Recommendations
- arxiv url: http://arxiv.org/abs/2303.00400v1
- Date: Wed, 1 Mar 2023 10:39:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 15:18:07.967514
- Title: A Study on Accuracy, Miscalibration, and Popularity Bias in
Recommendations
- Title(参考訳): 勧告における正確性・誤校正・大衆バイアスに関する研究
- Authors: Dominik Kowald and Gregor Mayr and Markus Schedl and Elisabeth Lex
- Abstract要約: 異なるジャンルがレコメンデーションパフォーマンスの不整合に与える影響について検討する。
人気コンテンツへの関心がほとんどないユーザは、最悪のレコメンデーションの精度を得られる。
実験の結果,特定のジャンルがレコメンデーションパフォーマンスの不整合に異なる程度寄与していることが判明した。
- 参考スコア(独自算出の注目度): 6.694971161661218
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent research has suggested different metrics to measure the inconsistency
of recommendation performance, including the accuracy difference between user
groups, miscalibration, and popularity lift. However, a study that relates
miscalibration and popularity lift to recommendation accuracy across different
user groups is still missing. Additionally, it is unclear if particular genres
contribute to the emergence of inconsistency in recommendation performance
across user groups. In this paper, we present an analysis of these three
aspects of five well-known recommendation algorithms for user groups that
differ in their preference for popular content. Additionally, we study how
different genres affect the inconsistency of recommendation performance, and
how this is aligned with the popularity of the genres. Using data from LastFm,
MovieLens, and MyAnimeList, we present two key findings. First, we find that
users with little interest in popular content receive the worst recommendation
accuracy, and that this is aligned with miscalibration and popularity lift.
Second, our experiments show that particular genres contribute to a different
extent to the inconsistency of recommendation performance, especially in terms
of miscalibration in the case of the MyAnimeList dataset.
- Abstract(参考訳): 近年の研究では、ユーザグループ間の精度差、誤校正、人気上昇など、推薦性能の不整合を測定するためのさまざまな指標が提案されている。
しかし、誤校正と人気上昇に関連する研究は、異なるユーザーグループ間での推奨精度に欠ける。
さらに、特定のジャンルがユーザーグループ間でのレコメンデーションパフォーマンスの不整合の出現に寄与するかどうかは明らかでない。
本稿では,人気のあるコンテンツに対する好みが異なるユーザグループに対する5つの推奨アルゴリズムについて,これら3つの側面の分析を行う。
さらに,異なるジャンルがレコメンデーションパフォーマンスの不整合にどのように影響するか,また,ジャンルの人気とどのように一致しているかを検討する。
lastfm、movielens、myanimelistのデータを使って、2つの重要な発見を示しました。
まず、人気コンテンツに関心のないユーザーには、最悪の推奨精度が与えられ、これは誤校正や人気上昇と一致している。
第2に,特定のジャンルが,特にmyanimelistデータセットの場合のミスキャリブレーションの観点から,レコメンデーション性能の非一貫性に異なる影響を与えることを示す実験を行った。
関連論文リスト
- Can Large Language Models Understand Preferences in Personalized Recommendation? [32.2250928311146]
PerRecBenchを導入し、ユーザ評価バイアスとアイテムの品質から評価を分解する。
評価予測に長けているLCMベースのレコメンデーション手法では,ユーザの評価バイアスや項目品質を排除した場合,ユーザの好ましくない項目や好ましくない項目を識別できないことがわかった。
その結果、ポイントワイドランキングよりもペアワイズとリストワイズランキングの方が優れていること、PerRecBenchの従来の回帰指標との相関が低いこと、ユーザプロファイルの重要性、事前学習データ分布の役割が明らかになった。
論文 参考訳(メタデータ) (2025-01-23T05:24:18Z) - Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳(メタデータ) (2024-10-17T01:02:04Z) - 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) - Metrics for popularity bias in dynamic recommender systems [0.0]
バイアスドレコメンデーションは個人、敏感なユーザーグループ、社会に悪影響を及ぼす可能性のある決定につながる可能性がある。
本稿では,RecSysモデルの出力から直接発生する人気バイアスの定量化に着目する。
RescSysにおける人気バイアスを時間とともに定量化するための4つの指標が提案されている。
論文 参考訳(メタデータ) (2023-10-12T16:15:30Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳(メタデータ) (2023-05-18T15:37:38Z) - 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) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳(メタデータ) (2022-04-26T09:20:27Z) - The Unfairness of Popularity Bias in Book Recommendation [0.0]
人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。
本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。
以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
論文 参考訳(メタデータ) (2022-02-27T20:21:46Z) - 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) - Revisiting Popularity and Demographic Biases in Recommender Evaluation
and Effectiveness [6.210698627561645]
我々は,人気や人口統計によって,レコメンダのパフォーマンスがどう変化するかを検討する。
年齢,性別ともに,推奨者のパフォーマンスに統計的に有意な差が認められた。
我々は、推奨ユーティリティが高齢ユーザーにとって着実に低下し、女性にとっては男性よりも低いことを観察する。
論文 参考訳(メタデータ) (2021-10-15T20:30:51Z) - 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)
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。