論文の概要: Improving Recommendation System Serendipity Through Lexicase Selection

• arxiv url: http://arxiv.org/abs/2305.11044v1
• Date: Thu, 18 May 2023 15:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 14:28:48.573423
• Title: Improving Recommendation System Serendipity Through Lexicase Selection
• Title（参考訳）: 辞書選択による推薦システムセレンディピティーの改善
• Authors: Ryan Boldi, Aadam Lokhandwala, Edward Annatone, Yuval Schechter, Alexander Lavrenenko, Cooper Sigrist
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.57498970940369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems influence almost every aspect of our digital lives. Unfortunately, in striving to give us what we want, they end up restricting our open-mindedness. Current recommender systems promote echo chambers, where people only see the information they want to see, and homophily, where users of similar background see similar content. We propose a new serendipity metric to measure the presence of echo chambers and homophily in recommendation systems using cluster analysis. We then attempt to improve the diversity-preservation qualities of well known recommendation techniques by adopting a parent selection algorithm from the evolutionary computation literature known as lexicase selection. Our results show that lexicase selection, or a mixture of lexicase selection and ranking, outperforms its purely ranked counterparts in terms of personalization, coverage and our specifically designed serendipity benchmark, while only slightly under-performing in terms of accuracy (hit rate). We verify these results across a variety of recommendation list sizes. In this work we show that lexicase selection is able to maintain multiple diverse clusters of item recommendations that are each relevant for the specific user, while still maintaining a high hit-rate accuracy, a trade off that is not achieved by other methods.
• Abstract（参考訳）: レコメンダシステムは私たちのデジタル生活のほとんどすべての側面に影響を与えます。 残念なことに、私たちが望むものを与えようとして、最終的にはオープンマインドを制限してしまうのです。 現在のレコメンダシステムは、人々が見たい情報しか見ることができないecho chambersと、似たようなバックグラウンドのユーザーが同様のコンテンツを見ることができるhomophilyを促進する。 本稿では,クラスタ分析を用いた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セレンディピティー指標を提案する。 次に,レキシケース選択として知られる進化的計算文献から親選択アルゴリズムを採用することにより,よく知られた推奨手法の多様性保存性を向上させることを試みる。 以上の結果から,レキシケースの選択,すなわち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のベンチマークにおいて純粋に評価され,精度(ヒットレート)ではわずかに低い結果を示した。 これらの結果を様々な推薦リストサイズで検証する。 本研究は,レキシケースの選択によって,特定のユーザに関連する複数の項目の推薦クラスタを維持でき,しかも高いヒットレートの精度を維持しながら,他の方法では達成できないトレードオフを維持できることを示す。

関連論文リスト

• The Fault in Our Recommendations: On the Perils of Optimizing the Measurable [2.6217304977339473]
  エンゲージメントの最適化は、大きなユーティリティ損失をもたらす可能性があることを示す。 我々は、最初は人気コンテンツとニッチコンテンツの混在を推奨するユーティリティ・アウェア・ポリシーを提案する。
  論文  参考訳（メタデータ） (2024-05-07T02:12:17Z)
• How to Diversify any Personalized Recommender? A User-centric Pre-processing approach [0.0]
  推薦性能を維持しつつ,Top-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。 当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。
  論文  参考訳（メタデータ） (2024-05-03T15:02:55Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• 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)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Information Networks [4.007832851105161]
  ユーザ・項目グラフのランダムウォーク探索を改良することにより,情報多様性の向上を目標とした新しい推薦フレームワークを開発した。 ソーシャルネットワーク上での政治コンテンツを推薦するために,まず,利用者と共有するコンテンツのイデオロギー的立場を推定する新しいモデルを提案する。 これらの推定位置に基づいて,新しいランダムウォークに基づくレコメンデーションアルゴリズムを用いて,多様なパーソナライズドレコメンデーションを生成する。
  論文  参考訳（メタデータ） (2021-02-18T21:53:32Z)
• DeepFair: Deep Learning for Improving Fairness in Recommender Systems [63.732639864601914]
  レコメンダーシステムにおけるバイアス管理の欠如は、少数派が不公平な勧告を受けることになる。 本稿では,ユーザの人口統計情報を知ることなく,公平さと正確さを最適なバランスで組み合わせたDeep Learningベースの協調フィルタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-09T13:39:38Z)
• 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)
• 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。