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

• Reducing Popularity Influence by Addressing Position Bias [0.0]
  位置偏差は,フィードバックループを通じて位置偏差によって引き起こされる項目の人気を効果的に低減できることを示す。 ユーザのエンゲージメントや財務指標を損なうことなく、位置偏りがアソシエーション利用を著しく改善できることを示す。
  論文  参考訳（メタデータ） (2024-12-11T21:16:37Z)
• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• GPTBIAS: A Comprehensive Framework for Evaluating Bias in Large Language Models [83.30078426829627]
  大規模言語モデル(LLM)は人気を集め、大規模なユーザコミュニティで広く採用されている。 既存の評価手法には多くの制約があり、それらの結果は限定的な解釈可能性を示している。 本稿では,LPMの高性能性を活用し,モデル内のバイアスを評価するGPTBIASというバイアス評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-11T12:02:14Z)
• 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)
• 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)
• "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)
• Quarantine Deceiving Yelp's Users by Detecting Unreliable Rating Reviews [1.3999481573773074]
  我々は、Bridging Review Network(BRN)において、レビュースパイク検出(RSD)アルゴリズムとスパム検出技術の両方を使用するYelpのユーザを隔離することに注力する。 Yelpのアカウントの80%以上が信頼できないこと、高い評価を受けたビジネスの80%以上がスパムにさらされていることがわかりました。
  論文  参考訳（メタデータ） (2020-04-21T02:44:10Z)

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。