論文の概要: Incorporating Recklessness to Collaborative Filtering based Recommender
Systems
- arxiv url: http://arxiv.org/abs/2308.02058v1
- Date: Thu, 3 Aug 2023 21:34:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 14:33:21.444506
- Title: Incorporating Recklessness to Collaborative Filtering based Recommender
Systems
- Title(参考訳): 協調フィルタリングに基づくレコメンダシステムへの無謀性の導入
- Authors: Diego P\'erez-L\'opez, Fernando Ortega, \'Angel Gonz\'alez-Prieto,
Jorge Due\~nas-Ler\'in
- Abstract要約: 本稿では,行列因数分解に基づくレコメンデータシステムの学習過程における「無謀性」という新しい用語の導入を提案する。
実験結果から、無謀性はリスクレギュレーションだけでなく、予測の量や品質も改善することが示された。
- 参考スコア(独自算出の注目度): 63.732639864601914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems that include some reliability measure of their
predictions tend to be more conservative in forecasting, due to their
constraint to preserve reliability. This leads to a significant drop in the
coverage and novelty that these systems can provide. In this paper, we propose
the inclusion of a new term in the learning process of matrix
factorization-based recommender systems, called recklessness, which enables the
control of the risk level desired when making decisions about the reliability
of a prediction. Experimental results demonstrate that recklessness not only
allows for risk regulation but also improves the quantity and quality of
predictions provided by the recommender system.
- Abstract(参考訳): 予測の信頼性測定を含むレコメンダシステムは、信頼性を維持するための制約のため、予測においてより保守的である傾向にある。
これにより、これらのシステムが提供できるカバレッジとノベルティが大幅に低下する。
本稿では,行列因数分解に基づくリコメンデータシステムの学習プロセスにおいて,予測の信頼性に関する決定を行う際のリスクレベルの制御を可能にする「無謀性」という新たな用語を取り入れることを提案する。
実験の結果,無謀性はリスクレギュレーションだけでなく,レコメンダシステムが提供する予測量や品質も向上することが示された。
関連論文リスト
- Risk-Sensitive Stochastic Optimal Control as Rao-Blackwellized Markovian
Score Climbing [3.9410617513331863]
動的システムの最適制御は、シーケンシャルな意思決定において重要な課題である。
コントロール・アズ・推論のアプローチは大きな成功をおさめ、探索・探索ジレンマに対処するためのリスクに敏感なフレームワークを提供する。
本稿では, 条件付き粒子フィルタから抽出した試料下でのマルコフ強化スコアクライミングとして, リスク感応性制御のフレーミングによる新しい視点を提案する。
論文 参考訳(メタデータ) (2023-12-21T16:34:03Z) - User-Controllable Recommendation via Counterfactual Retrospective and
Prospective Explanations [96.45414741693119]
本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。
反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
論文 参考訳(メタデータ) (2023-08-02T01:13:36Z) - FairRoad: Achieving Fairness for Recommender Systems with Optimized
Antidote Data [15.555228739298045]
我々は、最適化された解毒剤データ(FairRoad)を用いたフェアレコメンデーションと呼ばれる新しいアプローチを提案する。
提案する解毒剤データ生成アルゴリズムは,少量の解毒剤データを用いたレコメンデータシステムの公正性を著しく向上する。
論文 参考訳(メタデータ) (2022-12-13T17:32:44Z) - Restricted Bernoulli Matrix Factorization: Balancing the trade-off
between prediction accuracy and coverage in classification based
collaborative filtering [45.335821132209766]
本稿では,Restricted Bernoulli Matrix Factorization (ResBeMF) を提案する。
提案モデルでは,他のレコメンデーションモデルと比較して,品質指標のバランスが良好である。
論文 参考訳(メタデータ) (2022-10-05T13:48:19Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳(メタデータ) (2022-07-04T17:49:25Z) - Online certification of preference-based fairness for personalized
recommender systems [20.875347023588652]
我々は,パーソナライズされたレコメンデーションシステムの公平さを,うらやみのない意味で評価する。
マルチアームバンドにおける純粋探索と保守的制約に基づく監査アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-04-29T17:45:27Z) - Latent Unexpected Recommendations [89.2011481379093]
ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。
さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
論文 参考訳(メタデータ) (2020-07-27T02:39:30Z) - Providing reliability in Recommender Systems through Bernoulli Matrix
Factorization [63.732639864601914]
本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。
BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。
予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
論文 参考訳(メタデータ) (2020-06-05T14:24:27Z)
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。