論文の概要: Ranking with Popularity Bias: User Welfare under Self-Amplification Dynamics

• arxiv url: http://arxiv.org/abs/2305.18333v2
• Date: Wed, 1 Nov 2023 21:08:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 17:32:28.552505
• Title: Ranking with Popularity Bias: User Welfare under Self-Amplification Dynamics
• Title（参考訳）: 人気バイアスのランク付け : 自己増幅ダイナミクスによるユーザ福祉
• Authors: Guy Tennenholtz, Martin Mladenov, Nadav Merlis, Robert L. Axtell, Craig Boutilier
• Abstract要約: 本稿では,アイテムの人気度,商品品質,位置バイアスがユーザの選択に影響を与える一般的なメカニズムを提案し,理論的に分析する。 人気度の高い推薦者は,商品の品質と人気を混同することで,線形後悔を誘発することを示す。
• 参考スコア（独自算出の注目度）: 19.59766711993837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While popularity bias is recognized to play a crucial role in recommmender (and other ranking-based) systems, detailed analysis of its impact on collective user welfare has largely been lacking. We propose and theoretically analyze a general mechanism, rooted in many of the models proposed in the literature, by which item popularity, item quality, and position bias jointly impact user choice. We focus on a standard setting in which user utility is largely driven by item quality, and a recommender attempts to estimate it given user behavior. Formulating the problem as a non-stationary contextual bandit, we study the ability of a recommender policy to maximize user welfare under this model. We highlight the importance of exploration, not to eliminate popularity bias, but to mitigate its negative impact on welfare. We first show that naive popularity-biased recommenders induce linear regret by conflating item quality and popularity. More generally, we show that, even in linear settings, identifiability of item quality may not be possible due to the confounding effects of popularity bias. However, under sufficient variability assumptions, we develop an efficient optimistic algorithm and prove efficient regret guarantees w.r.t. user welfare. We complement our analysis with several simulation studies, which demonstrate the negative impact of popularity bias on the performance of several natural recommender policies.
• Abstract（参考訳）: 人気バイアスは、リコメンダー(および他のランキングベース)システムにおいて重要な役割を担っていると認識されているが、その影響の詳細な分析はほとんど欠落している。 論文で提案するモデルの多くに根ざした一般的なメカニズムを提案し,理論的に分析し,項目の人気,項目品質,位置バイアスがユーザの選択に共同的に影響を及ぼすことを示す。 我々は,ユーザビリティがアイテムの品質に大きく左右される標準設定に焦点を合わせ,ユーザの振る舞いを見積もるレコメンデータを試みている。 本モデルでは,非定常文脈的バンディットとして問題を定式化し,ユーザ福祉を最大化するためのレコメンダポリシーの能力について検討する。 我々は、人気バイアスを取り除くだけでなく、福祉に対する悪影響を軽減するために、探索の重要性を強調している。 まず, 好ましくない推薦者が, 商品品質と人気を混同することで, 線形後悔を引き起こすことを示す。 より一般的には, 線形設定においても, 人気バイアスの影響により, 商品品質の識別が不可能であることを示す。 しかし, 十分な変動性仮定の下で, 効率的な楽観的アルゴリズムを開発し, 利用者福祉に対する効率的な後悔を保証する。 いくつかのシミュレーション研究で分析を補完し、いくつかの自然推薦政策の性能に対する人気バイアスの負の影響を示す。

関連論文リスト

• Correcting for Popularity Bias in Recommender Systems via Item Loss Equalization [1.7771454131646311]
  人気アイテムの小さなセットが、高い相互作用率のために推奨結果を支配している。 この現象は、ニッチな興味のある人を無視しながら、メインストリームの趣味を持つユーザーに不当に利益をもたらす。 本稿では,推薦モデルのトレーニングプロセスに介入することで,この問題に対処するプロセス内アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:34:18Z)
• A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
  選好選好における選好バイアスの影響について検討した。 大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。 本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-05-01T14:56:56Z)
• 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)
• GPTBIAS: A Comprehensive Framework for Evaluating Bias in Large Language Models [83.30078426829627]
  大規模言語モデル(LLM)は人気を集め、大規模なユーザコミュニティで広く採用されている。 既存の評価手法には多くの制約があり、それらの結果は限定的な解釈可能性を示している。 本稿では,LPMの高性能性を活用し,モデル内のバイアスを評価するGPTBIASというバイアス評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-11T12:02:14Z)
• Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
  人気バイアスはレコメンデーションシステムの分野で広く問題となっている。 本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
  論文  参考訳（メタデータ） (2023-08-22T08:57:44Z)
• A Survey on Popularity Bias in Recommender Systems [5.952279576277445]
  本稿では、人気バイアスの潜在的な原因について論じ、リコメンダシステムにおける人気バイアスを検出し、緩和し、定量化するための既存のアプローチをレビューする。 本稿では,主に計算実験に基づく研究であり,推奨項目に長期的項目を含めることの実践的効果について,特定の仮定を前提として,今日の文献を批判的に論じる。
  論文  参考訳（メタデータ） (2023-08-02T12:58:11Z)
• Off-policy evaluation for learning-to-rank via interpolating the item-position model and the position-based model [83.83064559894989]
  産業レコメンデーションシステムにとって重要なニーズは、製品にデプロイする前に、レコメンデーションポリシーをオフラインで評価する機能である。 我々は、最も人気のある2つの非政治推定器の問題を緩和する新しい推定器を開発する。 特に、InterPOLと呼ばれる新しい推定器は、潜在的に不特定位置ベースモデルのバイアスに対処する。
  論文  参考訳（メタデータ） (2022-10-15T17:22:30Z)
• Reconciling the Quality vs Popularity Dichotomy in Online Cultural Markets [62.146882023375746]
  本研究では,現在普及している商品に偏りがある可能性のあるランキングアルゴリズムにより,品質基準を隠蔽した$N$アイテムをユーザに推奨する,理想化されたオンライン文化市場のモデルを提案する。 我々のゴールは、人気バイアスが高品質アイテムが低品質アイテムよりも人気になるのを防ぎ、品質と人気ランキングの間に望ましくないミスアライメントをもたらすという、よく知られた事実の根底にあるメカニズムをよりよく理解することである。
  論文  参考訳（メタデータ） (2022-04-28T14:36:11Z)
• 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)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
  推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。 本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。 ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-10T22:12:51Z)

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。