論文の概要: Auditing Yelp's Business Ranking and Review Recommendation Through the Lens of Fairness

• arxiv url: http://arxiv.org/abs/2308.02129v2
• Date: Tue, 28 Jan 2025 23:31:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-30 15:51:54.618757
• 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リコメンデーションのレビュー
• Authors: Mohit Singhal, Javier Pacheco, Seyyed Mohammad Sadegh Moosavi Khorzooghi, Tanushree Debi, 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のバイアスについて検討する。 確立されていないユーザのレビューは、不均等に非推奨に分類されていることが分かりました。 また, ホットスポット地域におけるレストランの立地と, 平均露光量との間には, 肯定的な相関関係が認められた。
• 参考スコア（独自算出の注目度）: 10.550608462255056
• License:
• Abstract: Auditing is critical to ensuring the fairness and reliability of decision-making systems. However, auditing a black-box system for bias can be challenging due to the lack of transparency in the model's internal workings. In many web applications, such as Yelp, it is challenging, if not impossible, to manipulate their inputs systematically to identify bias in the output. Yelp connects users and businesses, where users identify new businesses and simultaneously express their experiences through reviews. Yelp recommendation software moderates user-provided content by categorizing it into recommended and not-recommended sections. The recommended reviews, among other attributes, are used by Yelp's ranking algorithm to rank businesses in a neighborhood. Due to Yelp's substantial popularity and its high impact on local businesses' success, understanding the bias of its algorithms is crucial. This data-driven study, for the first time, investigates the bias of Yelp's business ranking and review recommendation system. We examine three hypotheses to assess if Yelp's recommendation software shows bias against reviews of less established users with fewer friends and reviews and if Yelp's business ranking algorithm shows bias against restaurants located in specific neighborhoods, particularly in hotspot regions, with specific demographic compositions. Our findings show that reviews of less-established users are disproportionately categorized as not-recommended. We also find a positive association between restaurants' location 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 higher affluence and education levels.
• Abstract（参考訳）: 監査は意思決定システムの公平性と信頼性を確保するために重要である。 しかしながら、モデルの内部動作に透明性が欠如しているため、バイアスに対するブラックボックスシステムの監査は困難である可能性がある。 Yelpのような多くのWebアプリケーションでは、インプットを体系的に操作して出力のバイアスを特定することは不可能ではないが、困難である。 Yelpはユーザーとビジネスを結びつけ、ユーザーが新しいビジネスを識別し、レビューを通じて体験を同時に表現する。 Yelpのレコメンデーションソフトウェアは、ユーザーが提供するコンテンツを推奨または推奨されていないセクションに分類することで、適格化している。 推薦されたレビューは、Yelpのランキングアルゴリズムによって近隣のビジネスのランク付けに使用されている。 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、アルゴリズムのバイアスを理解することが重要である。 この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のバイアスを初めて調査する。 Yelpのレコメンデーションソフトウェアが、友達やレビューの少ない未成年ユーザーのレビューに対するバイアスを示すか、Yelpのビジネスランキングアルゴリズムが特定の地区、特にホットスポット地域で、特定の人口構成を持つレストランに対するバイアスを示すかを評価するための3つの仮説を検討する。 以上の結果から,未確立ユーザに対するレビューは非推奨に分類されていることがわかった。 また, ホットスポット地域におけるレストランの立地と, 平均露光量との間には, 肯定的な相関関係が認められた。 さらに,人口多様性の低い地域や,人口密度や教育水準の低い地域では,ホットスポットが深刻な格差の偏りを呈する事例も見られた。

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。