論文の概要: Interpolating Item and User Fairness in Multi-Sided Recommendations
- arxiv url: http://arxiv.org/abs/2306.10050v2
- Date: Sat, 21 Oct 2023 17:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 08:42:28.196558
- Title: Interpolating Item and User Fairness in Multi-Sided Recommendations
- Title(参考訳): マルチシドレコメンデーション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: 問題(FAIR)という,新たなフェアレコメンデーションフレームワークを策定する
プラットフォームは適切なアイテム/ユーザフェアネスの定義を指定でき、支払いを希望する「公正度」を決定できる。
この新たな課題に直面して、学習行為と公正なレコメンデーションの実行を効果的にバランスさせる、FORMと呼ばれる低レベルのオンラインレコメンデーションアルゴリズムを考案する。
- 参考スコア(独自算出の注目度): 14.895597501976573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Today's online platforms rely heavily on algorithmic recommendations to
bolster user engagement and drive revenue. However, such algorithmic
recommendations can impact diverse stakeholders involved, namely the platform,
items (seller), and users (customers), each with their unique objectives. In
such multi-sided platforms, finding an appropriate middle ground becomes a
complex operational challenge. Motivated by this, we formulate a novel fair
recommendation framework, called Problem (FAIR), that not only maximizes the
platform's revenue, but also accommodates varying fairness considerations from
the perspectives of items and users. Our framework's distinguishing trait lies
in its flexibility -- it allows the platform to specify any definitions of
item/user fairness that are deemed appropriate, as well as decide the "price of
fairness" it is willing to pay to ensure fairness for other stakeholders. We
further examine Problem (FAIR) in a dynamic online setting, where the platform
needs to learn user data and generate fair recommendations simultaneously in
real time, which are two tasks that are often at odds. In face of this
additional challenge, we devise a low-regret online recommendation algorithm,
called FORM, that effectively balances the act of learning and performing fair
recommendation. Our theoretical analysis confirms that FORM proficiently
maintains the platform's revenue, while ensuring desired levels of fairness for
both items and users. Finally, we demonstrate the efficacy of our framework and
method via several case studies on real-world data.
- Abstract(参考訳): 今日のオンラインプラットフォームは、ユーザのエンゲージメントを高め、収益を上げるためのアルゴリズムレコメンデーションに大きく依存しています。
しかし、このようなアルゴリズムによる推奨は、プラットフォーム、アイテム(セラー)、ユーザ(顧客)など、さまざまな利害関係者に影響を及ぼす可能性がある。
このような多面体プラットフォームでは、適切な中間層を見つけることは複雑な運用上の課題となる。
そこで我々は,プラットフォーム収益を最大化するだけでなく,アイテムやユーザの観点からの公平性を考慮した,新たなフェアリコメンデーションフレームワークであるIssue(FAIR)を定式化した。
私たちのフレームワークの特徴は柔軟性にあります -- プラットフォームが適切なアイテム/ユーザフェアネスの定義を指定したり、他の利害関係者に対してフェアネスを確保するために支払う"公正さの価格"を決定することができます。
さらに,プラットフォームがユーザデータを学習し,同時に適切なレコメンデーションを生成する必要がある動的オンライン環境における問題(fair)についても検討する。
この新たな課題に直面して、学習と公正なレコメンデーションの実行を効果的にバランスさせる、FORMと呼ばれる低レベルのオンラインレコメンデーションアルゴリズムを考案する。
当社の理論的分析では,フォームが,アイテムとユーザの両方に対して望ましい公平性を確保しつつ,プラットフォームの収益を巧みに維持していることを確認します。
最後に,実世界データに対するいくつかのケーススタディを通して,本手法の有効性を示す。
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。