論文の概要: Interpolating Item and User Fairness in Recommendation Systems
- arxiv url: http://arxiv.org/abs/2306.10050v1
- Date: Mon, 12 Jun 2023 15:00:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 01:38:48.063645
- Title: Interpolating Item and User Fairness in Recommendation Systems
- Title(参考訳): 推薦システムにおける補間項目とユーザフェアネス
- Authors: Qinyi Chen, Jason Cheuk Nam Liang, Negin Golrezaei, Djallel Bouneffouf
- Abstract要約: 異なる利害関係者の利害のバランスをとる際に、プラットフォームの潜在的な妥協を捉える「公正さの価格」について検討する。
そこで我々は,商品とユーザの公正性の制約を補間しながら,プラットフォームが収益を最大化するフェアレコメンデーションフレームワークを提案する。
これを解決するために、我々は、アイテムとユーザの両方に対して公平性を達成しつつ、プラットフォームの収益を保ちながら、低信頼のオンライン最適化アルゴリズムを設計する。
- 参考スコア(独自算出の注目度): 22.675635068023766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online platforms employ recommendation systems to enhance customer engagement
and drive revenue. However, in a multi-sided platform where the platform
interacts with diverse stakeholders such as sellers (items) and customers
(users), each with their own desired outcomes, finding an appropriate middle
ground becomes a complex operational challenge. In this work, we investigate
the ``price of fairness'', which captures the platform's potential compromises
when balancing the interests of different stakeholders. Motivated by this, we
propose a fair recommendation framework where the platform maximizes its
revenue while interpolating between item and user fairness constraints. We
further examine the fair recommendation problem in a more realistic yet
challenging online setting, where the platform lacks knowledge of user
preferences and can only observe binary purchase decisions. To address this, we
design a low-regret online optimization algorithm that preserves the platform's
revenue while achieving fairness for both items and users. Finally, we
demonstrate the effectiveness of our framework and proposed method via a case
study on MovieLens data.
- Abstract(参考訳): オンラインプラットフォームはレコメンデーションシステムを使用して顧客のエンゲージメントを高め、収益を上げる。
しかし、プラットフォームが売り手(アイテム)や顧客(ユーザ)といった多様な利害関係者と相互作用する多面的なプラットフォームでは、それぞれが望ましい結果を持っているため、適切な中間地を見つけることは複雑な運用上の課題となる。
本研究では,異なる利害関係者の利益のバランスをとる上で,プラットフォームの潜在的な妥協を捉えた‘公正価格’を調査した。
そこで我々は,商品とユーザの公正性の制約を補間しながら,プラットフォームが収益を最大化するフェアレコメンデーションフレームワークを提案する。
さらに,プラットフォームがユーザの好みに関する知識を欠き,バイナリ購入決定のみを観察できるような,より現実的で困難なオンライン環境において,公正な推奨問題をさらに検討する。
これに対処するために,我々は,商品とユーザの両方に対して公平性を確保しつつ,プラットフォームの収益を保ちながら,低精細なオンライン最適化アルゴリズムを設計する。
最後に,本手法の有効性を示すとともに,movielensデータを用いたケーススタディを通して提案手法を提案する。
関連論文リスト
- A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳(メタデータ) (2024-02-23T10:21:07Z) - DualFair: Fair Representation Learning at Both Group and Individual
Levels via Contrastive Self-supervision [73.80009454050858]
この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。
我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
論文 参考訳(メタデータ) (2023-03-15T07:13:54Z) - Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。
ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。
本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
論文 参考訳(メタデータ) (2023-02-13T13:11:46Z) - Competition, Alignment, and Equilibria in Digital Marketplaces [97.03797129675951]
プラットフォームアクションがバンディットアルゴリズムであり,両プラットフォームがユーザ参加を競うデュオポリー市場について検討する。
私たちの主な発見は、この市場における競争は、市場の結果をユーザーユーティリティと完全に一致させるものではないということです。
論文 参考訳(メタデータ) (2022-08-30T17:43:58Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳(メタデータ) (2022-05-31T17:45:30Z) - Experiments on Generalizability of User-Oriented Fairness in Recommender
Systems [2.0932879442844476]
公正を意識した推薦システムは、異なるユーザーグループを同様に扱うことを目的としている。
本稿では,ユーザ中心の公平度を再評価するフレームワークを提案する。
我々は、ユーザ(NDCGなど)とアイテム(新規性、アイテムフェアネスなど)の両方から、フレームワークの再ランク付けによる最終的なレコメンデーションを評価する。
論文 参考訳(メタデータ) (2022-05-17T12:36:30Z) - The Unfairness of Active Users and Popularity Bias in Point-of-Interest
Recommendation [4.578469978594752]
本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。
アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。
本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
論文 参考訳(メタデータ) (2022-02-27T08:02:19Z) - Online Learning Demands in Max-min Fairness [91.37280766977923]
本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。
このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。
各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
論文 参考訳(メタデータ) (2020-12-15T22:15:20Z) - Two-Sided Fairness in Non-Personalised Recommendations [6.403167095324894]
ユーザフェアネスと組織フェアネスという,2つの特定のフェアネスに関する問題(従来は別々に研究されていた)について論じる。
ユーザフェアネスについては、社会的選択理論、すなわち、ユーザ選択をより良く表現するために知られている様々な投票ルールの手法を用いてテストする。
投票ルールに基づく推薦の結果を分析した結果、よく知られた投票ルールはユーザ側より優れているが、高いバイアス値を示すことがわかった。
論文 参考訳(メタデータ) (2020-11-10T18:11:37Z) - FairRec: Two-Sided Fairness for Personalized Recommendations in
Two-Sided Platforms [36.35034531426411]
両面のオンラインプラットフォームにおけるフェアレコメンデーションの問題について検討する。
当社のアプローチでは、公正な推奨問題の新たなマッピングと、特定不可能な商品をかなり割当する問題の制約付きのバージョンが関係している。
提案したFairRecアルゴリズムは、ほとんどの生産者に対して少なくともマクシミン・シェア(MMS)の露出を保証し、すべての顧客に対してEvy-Free to Oneアイテム(EF1)のフェアネスを保証します。
論文 参考訳(メタデータ) (2020-02-25T09:43:48Z) - Incentivising Exploration and Recommendations for Contextual Bandits
with Payments [2.5966580648312223]
本研究では,累積的社会福祉を最大化しながら,プラットフォームが項目固有の属性を学習し,サブリニアな後悔を実現する方法を示す。
弊社のアプローチは、eコマースストアやレコメンデーションエンジン、マッチングプラットフォーム上のユーザのエンゲージメント指標を改善できる。
論文 参考訳(メタデータ) (2020-01-22T02:26:22Z)
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。