論文の概要: Choosing the Right Weights: Balancing Value, Strategy, and Noise in Recommender Systems

• arxiv url: http://arxiv.org/abs/2305.17428v1
• Date: Sat, 27 May 2023 09:37:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 19:25:17.132657
• Title: Choosing the Right Weights: Balancing Value, Strategy, and Noise in Recommender Systems
• Title（参考訳）: 適切な重みの選択:レコメンダシステムにおける価値、戦略、ノイズのバランス
• Authors: Smitha Milli, Emma Pierson, Nikhil Garg
• Abstract要約: ユーザとコンテンツプロデューサの両方の観点から、最適なウェイト選択を解析する。 ユーザにとって、より価値に富んだ、ノイズの少ない振る舞いの重み付けは、より有用性をもたらす。 生産者にとって、より価値に富み、戦略を損なう行動の重み付けは、より高い福祉をもたらす。
• 参考スコア（独自算出の注目度）: 8.87757125554734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many recommender systems are based on optimizing a linear weighting of different user behaviors, such as clicks, likes, shares, etc. Though the choice of weights can have a significant impact, there is little formal study or guidance on how to choose them. We analyze the optimal choice of weights from the perspectives of both users and content producers who strategically respond to the weights. We consider three aspects of user behavior: value-faithfulness (how well a behavior indicates whether the user values the content), strategy-robustness (how hard it is for producers to manipulate the behavior), and noisiness (how much estimation error there is in predicting the behavior). Our theoretical results show that for users, upweighting more value-faithful and less noisy behaviors leads to higher utility, while for producers, upweighting more value-faithful and strategy-robust behaviors leads to higher welfare (and the impact of noise is non-monotonic). Finally, we discuss how our results can help system designers select weights in practice.
• Abstract（参考訳）: 多くのレコメンダシステムは、クリック、いいね!、シェアなど、異なるユーザーの行動の線形重み付けを最適化することに基づいている。 重量の選択は大きな影響を与える可能性があるが、その選択方法に関する正式な研究やガイダンスはほとんどない。 重みの最適選択は、重みに戦略的に反応するユーザーとコンテンツ制作者の両方の観点から分析する。 我々は,ユーザの行動の3つの側面について考察する。すなわち,価値満足性(ユーザがコンテンツの価値を評価できるかを示す行動の程度),戦略ロバスト性(プロデューサが振る舞いを操作するのがいかに難しいか),無意味性(行動を予測する上での推測誤差がどの程度あるか)である。 提案手法では, 提案手法では, 消費者にとって, 付加価値や騒音の少ない行動は, 高い実用性をもたらすが, 生産者においては, 付加価値や戦略ロバスト行動の増大は, 高い福祉(騒音の影響は単調ではない)をもたらす。 最後に、システム設計者が実際に重みを選択できる方法について議論する。

関連論文リスト

• Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
  ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。 本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:13:06Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
  実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。 参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。 この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T07:36:08Z)
• ROPO: Robust Preference Optimization for Large Language Models [59.10763211091664]
  外部モデルの助けを借りずにノイズ耐性とノイズサンプルのフィルタリングを統合する反復アライメント手法を提案する。 Mistral-7BとLlama-2-7Bで広く使われている3つのデータセットの実験では、ROPOが既存の嗜好アライメント法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-04-05T13:58:51Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• Efficient Bi-Level Optimization for Recommendation Denoising [31.968068788022403]
  暗黙のフィードバックは高いノイズを持ち、推奨品質を著しく損なう。 両レベルの最適化問題としてデノナイズをモデル化する。 内部最適化は、推奨のための効果的なモデルと重量決定を導くことを目的としている。 重み発生器を用いて重みの保存と1ステップの勾配マッチングに基づく損失を回避し、計算時間を著しく短縮する。
  論文  参考訳（メタデータ） (2022-10-19T06:36:21Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)

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。