論文の概要: BHEISR: Nudging from Bias to Balance -- Promoting Belief Harmony by
Eliminating Ideological Segregation in Knowledge-based Recommendations
- arxiv url: http://arxiv.org/abs/2307.02797v1
- Date: Thu, 6 Jul 2023 06:12:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 15:05:29.801329
- Title: BHEISR: Nudging from Bias to Balance -- Promoting Belief Harmony by
Eliminating Ideological Segregation in Knowledge-based Recommendations
- Title(参考訳): bheisr: バイアスからバランスへ - 知識に基づくレコメンデーションにおけるイデオロギー分離を排除することによって信念調和を促進する
- Authors: Mengyan Wang, Yuxuan Hu, Zihan Yuan, Chenting Jiang, Weihua Li,
Shiqing Wu and Quan Bai
- Abstract要約: 主な目的は,フィルタバブルによる有害な影響を最小限に抑えつつ,ユーザの信念バランスを打つことである。
BHEISRモデルは、民主的かつ透明な原則を支持しながら、ナッジ理論から原則を取り入れている。
- 参考スコア(独自算出の注目度): 5.795636579831129
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the realm of personalized recommendation systems, the increasing concern
is the amplification of belief imbalance and user biases, a phenomenon
primarily attributed to the filter bubble. Addressing this critical issue, we
introduce an innovative intermediate agency (BHEISR) between users and existing
recommendation systems to attenuate the negative repercussions of the filter
bubble effect in extant recommendation systems. The main objective is to strike
a belief balance for users while minimizing the detrimental influence caused by
filter bubbles. The BHEISR model amalgamates principles from nudge theory while
upholding democratic and transparent principles. It harnesses user-specific
category information to stimulate curiosity, even in areas users might
initially deem uninteresting. By progressively stimulating interest in novel
categories, the model encourages users to broaden their belief horizons and
explore the information they typically overlook. Our model is time-sensitive
and operates on a user feedback loop. It utilizes the existing recommendation
algorithm of the model and incorporates user feedback from the prior time
frame. This approach endeavors to transcend the constraints of the filter
bubble, enrich recommendation diversity, and strike a belief balance among
users while also catering to user preferences and system-specific business
requirements. To validate the effectiveness and reliability of the BHEISR
model, we conducted a series of comprehensive experiments with real-world
datasets. These experiments compared the performance of the BHEISR model
against several baseline models using nearly 200 filter bubble-impacted users
as test subjects. Our experimental results conclusively illustrate the superior
performance of the BHEISR model in mitigating filter bubbles and balancing user
perspectives.
- Abstract(参考訳): パーソナライズされたレコメンデーションシステムの領域では、信念の不均衡とユーザのバイアスの増幅が懸念されている。
そこで本研究では,既存のレコメンデーションシステムにおけるフィルタバブル効果の悪影響を軽減させるため,ユーザと既存レコメンデーションシステム間の革新的な中間機関(bheisr)を提案する。
主な目的は,フィルタバブルによる有害な影響を最小限に抑えつつ,ユーザの信念バランスを打つことである。
BHEISRモデルは、民主的かつ透明な原則を支持しながら、ナッジ理論から原則を取り入れている。
ユーザー固有のカテゴリー情報を利用して好奇心を刺激する。
新たなカテゴリーへの関心を徐々に刺激することで、このモデルはユーザーが信念の地平を広げ、通常見落としている情報を探索することを奨励する。
我々のモデルは時間に敏感であり、ユーザのフィードバックループで動作する。
モデルの既存のレコメンデーションアルゴリズムを使用し、事前の時間フレームからのユーザフィードバックを組み込む。
このアプローチは、フィルターバブルの制約を超越し、レコメンデーションの多様性を高め、ユーザー間の信念バランスを保ちつつ、ユーザの好みやシステム固有のビジネス要件にも応えます。
BHEISRモデルの有効性と信頼性を検証するため,実世界のデータセットを用いた総合実験を行った。
これらの実験は、200人近いフィルターバブルユーザを試験対象として、bheisrモデルの性能をいくつかのベースラインモデルと比較した。
実験結果は,フィルタバブルの緩和とユーザ視点のバランスをとる上で,BHEISRモデルの優れた性能を示すものである。
関連論文リスト
- Rethinking Relation Extraction: Beyond Shortcuts to Generalization with a Debiased Benchmark [53.876493664396506]
ベンチマークは、機械学習アルゴリズムのパフォーマンスの評価、比較の促進、優れたソリューションの特定に不可欠である。
本稿では,関係抽出タスクにおけるエンティティバイアスの問題に対処する。
本稿では,エンティティの代替によって,エンティティ参照と関係型との擬似相関を破る不偏関係抽出ベンチマークDREBを提案する。
DREBの新たなベースラインを確立するために,データレベルとモデルトレーニングレベルを組み合わせたデバイアス手法であるMixDebiasを導入する。
論文 参考訳(メタデータ) (2025-01-02T17:01:06Z) - Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-09T04:20:15Z) - Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。
ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。
我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
論文 参考訳(メタデータ) (2024-05-28T09:34:50Z) - DPR: An Algorithm Mitigate Bias Accumulation in Recommendation feedback
loops [41.21024436158042]
フィードバックループと未知の露出メカニズムが推奨品質とユーザエクスペリエンスに与える影響について検討した。
本研究では,動的再重み付けを用いてクロスエフェクトを緩和する非バイアスアルゴリズムである動的パーソナライズランキング(textbfDPR)を提案する。
提案手法は,フィードバックループと未知の露出機構の負の効果を緩和するものである。
論文 参考訳(メタデータ) (2023-11-10T04:36:00Z) - Learning from Negative User Feedback and Measuring Responsiveness for
Sequential Recommenders [13.762960304406016]
シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。
大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-08-23T17:16:07Z) - Bilateral Self-unbiased Learning from Biased Implicit Feedback [10.690479112143658]
バイラテラル・セルフ・アンバイアスド・レコメンダ(BISER)という,新しいアンバイアスド・レコメンダラー・ラーニング・モデルを提案する。
BISERは、(i)自己逆確率重み付け(SIPW)と(ii)モデル予測における2つの相補的モデル間のギャップを埋める両側非バイアス学習(BU)の2つの重要な構成要素から構成される。
大規模な実験により、BISERは複数のデータセットに対して最先端の非バイアスのレコメンデータモデルより一貫して優れていることが示されている。
論文 参考訳(メタデータ) (2022-07-26T05:17:42Z) - Deep Causal Reasoning for Recommendations [47.83224399498504]
推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。
提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。
MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
論文 参考訳(メタデータ) (2022-01-06T15:00:01Z) - 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) - Adversarial Filters of Dataset Biases [96.090959788952]
大規模なニューラルモデルでは、言語とビジョンベンチマークで人間レベルのパフォーマンスが実証されている。
それらの性能は、敵対的またはアウト・オブ・ディストリビューションのサンプルで著しく低下する。
このようなデータセットバイアスを逆フィルタするAFLiteを提案する。
論文 参考訳(メタデータ) (2020-02-10T21:59:21Z)
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。