論文の概要: Auditing Yelp's Business Ranking and Review Recommendation Through the
Lens of Fairness
- arxiv url: http://arxiv.org/abs/2308.02129v1
- Date: Fri, 4 Aug 2023 04:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 14:05:27.908206
- Title: Auditing Yelp's Business Ranking and Review Recommendation Through the
Lens of Fairness
- Title（参考訳）: yelpのビジネスランキングとレビューレコメンデーションを公正レンズで監査
- Authors: Mohit Singhal, Javier Pacheco, Tanushree Debi, Seyyed Mohammad Sadegh
Moosavi Khorzooghi, Abolfazl Asudeh, Gautam Das, Shirin Nilizadeh
- Abstract要約: 本研究では、Yelpのビジネスランキングとレビューレコメンデーションシステムについて、公正なレンズを通して検討する。
女性や未確立のユーザのレビューは、不公平に推奨されるものとして分類されている。
また、ホットスポット地域にあるレストランと、その平均露光量との間には、肯定的な関連性があることが判明した。
- 参考スコア（独自算出の注目度）: 10.957942355264093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Web 2.0 recommendation systems, such as Yelp, connect users and businesses so
that users can identify new businesses and simultaneously express their
experiences in the form of reviews. Yelp recommendation software moderates
user-provided content by categorizing them into recommended and not-recommended
sections. Due to Yelp's substantial popularity and its high impact on local
businesses' success, understanding the fairness of its algorithms is crucial.
However, with no access to the training data and the algorithms used by such
black-box systems, studying their fairness is not trivial, requiring a
tremendous effort to minimize bias in data collection and consider the
confounding factors in the analysis.
This large-scale data-driven study, for the first time, investigates Yelp's
business ranking and review recommendation system through the lens of fairness.
We define and examine 4 hypotheses to examine if Yelp's recommendation software
shows bias and if Yelp's business ranking algorithm shows bias against
restaurants located in specific neighborhoods. Our findings show that reviews
of female and less-established users are disproportionately categorized as
recommended. We also find a positive association between restaurants being
located in hotspot regions and their average exposure. Furthermore, we observed
some cases of severe disparity bias in cities where the hotspots are in
neighborhoods with less demographic diversity or areas with higher affluence
and education levels. Indeed, biases introduced by data-driven systems,
including our findings in this paper, are (almost) always implicit and through
proxy attributes. Still, the authors believe such implicit biases should be
detected and resolved as those can create cycles of discrimination that keep
increasing the social gaps between different groups even further.
- Abstract（参考訳）: YelpのようなWeb 2.0レコメンデーションシステムは、ユーザとビジネスを結びつけて、ユーザが新しいビジネスを識別し、レビュー形式で自身の体験を同時に表現できるようにします。
yelpのレコメンデーションソフトウェアは、ユーザに提供されたコンテンツを推奨セクションと推奨されないセクションに分類することで、モデレートする。
Yelpのかなりの人気と地元事業の成功に対する高い影響のため、アルゴリズムの公平性を理解することが重要である。
しかしながら、このようなブラックボックスシステムで使用されるトレーニングデータやアルゴリズムにアクセスできないため、公平性の研究は自明ではなく、データ収集におけるバイアスを最小限に抑え、分析における結合要因を検討するために膨大な労力を要する。
この大規模なデータ駆動型調査は、Yelpのビジネスランキングとレビューレコメンデーションシステムを、公正なレンズを通じて初めて調査する。
Yelpの推奨ソフトウェアがバイアスを示し、Yelpのビジネスランキングアルゴリズムが特定の地区にあるレストランに対してバイアスを示すかどうかを調べるための4つの仮説を定義し、検証する。
以上の結果から,女性や未確立ユーザーのレビューは不均等に推奨されている。
また,ホットスポット地域に立地する飲食店と平均被曝量との間には正の相関がみられた。
さらに,人口の多様性が低い地域や,人口密度や教育水準が高い地域では,ホットスポットの偏りが深刻であるケースも見られた。
実際、本論文の発見を含むデータ駆動システムによって導入されたバイアスは、(ほとんど)暗黙的であり、プロキシ属性を通してである。
それでも著者らは、これらの暗黙のバイアスは検出され解決されるべきであり、異なるグループ間の社会的ギャップをさらに増やし続ける差別のサイクルを作ることができると信じている。
関連論文リスト
- Metrics for popularity bias in dynamic recommender systems [0.0]
バイアスドレコメンデーションは個人、敏感なユーザーグループ、社会に悪影響を及ぼす可能性のある決定につながる可能性がある。
本稿では,RecSysモデルの出力から直接発生する人気バイアスの定量化に着目する。
RescSysにおける人気バイアスを時間とともに定量化するための4つの指標が提案されている。
論文 参考訳（メタデータ） (2023-10-12T16:15:30Z) - Whole Page Unbiased Learning to Rank [59.52040055543542]
アンバイアスド・ラーニング・トゥ・ランク(ULTR)アルゴリズムは、バイアスド・クリックデータを用いたアンバイアスド・ランキングモデルを学ぶために提案される。
本稿では,BALというアルゴリズムをランク付けするバイアス非依存学習を提案する。
実世界のデータセットによる実験結果から,BALの有効性が検証された。
論文 参考訳（メタデータ） (2022-10-19T16:53:08Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - 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) - Reviews in motion: a large scale, longitudinal study of review
recommendations on Yelp [24.34131115451651]
我々は、プラットフォームがレビューのためにフィルタリング決定を変更する「再分類」に焦点を当てる。
私たちは1250万以上のレビューをコンパイルします。
我々のデータは、人口密度の低下と低中間所得地域の変化により、再分類における人口格差が示唆されている。
論文 参考訳（メタデータ） (2022-02-18T03:27:53Z) - Spatio-Temporal Graph Representation Learning for Fraudster Group
Detection [50.779498955162644]
企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。
そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。
両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
論文 参考訳（メタデータ） (2022-01-07T08:01:38Z) - Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。
本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。
パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
論文 参考訳（メタデータ） (2021-11-25T06:04:59Z) - Incentives for Item Duplication under Fair Ranking Policies [69.14168955766847]
重複が存在する場合の様々な公正ランキングポリシーの振る舞いについて検討する。
適合性にのみ焦点を絞った政策よりも、重複を動機付ける可能性を秘めているため、公正を意識したランキングポリシーは多様性と矛盾する可能性がある。
論文 参考訳（メタデータ） (2021-10-29T11:11:15Z) - "You eat with your eyes first": Optimizing Yelp Image Advertising [0.8594140167290099]
Yelpのイメージデータセットとスターベースのレビューシステムを、ビジネスを推進するためのイメージの有効性の測定に使用しています。
様々な画像カテゴリの星格分類において90～98%の精度を達成し、青い空、オープンな環境、多くの窓を含む画像がYelpのレビューと相関していることを観察した。
論文 参考訳（メタデータ） (2020-11-03T02:49:40Z) - DeepFair: Deep Learning for Improving Fairness in Recommender Systems [63.732639864601914]
レコメンダーシステムにおけるバイアス管理の欠如は、少数派が不公平な勧告を受けることになる。
本稿では,ユーザの人口統計情報を知ることなく,公平さと正確さを最適なバランスで組み合わせたDeep Learningベースの協調フィルタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-09T13:39:38Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z)
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。