論文の概要: RecRec: Algorithmic Recourse for Recommender Systems
- arxiv url: http://arxiv.org/abs/2308.14916v1
- Date: Mon, 28 Aug 2023 22:26:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 16:27:11.515941
- Title: RecRec: Algorithmic Recourse for Recommender Systems
- Title（参考訳）: recrec:レコメンダシステムのためのアルゴリズムリコース
- Authors: Sahil Verma, Ashudeep Singh, Varich Boonsanong, John P. Dickerson,
Chirag Shah
- Abstract要約: 特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 41.97186998947909
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recommender systems play an essential role in the choices people make in
domains such as entertainment, shopping, food, news, employment, and education.
The machine learning models underlying these recommender systems are often
enormously large and black-box in nature for users, content providers, and
system developers alike. It is often crucial for all stakeholders to understand
the model's rationale behind making certain predictions and recommendations.
This is especially true for the content providers whose livelihoods depend on
the recommender system. Drawing motivation from the practitioners' need, in
this work, we propose a recourse framework for recommender systems, targeted
towards the content providers. Algorithmic recourse in the recommendation
setting is a set of actions that, if executed, would modify the recommendations
(or ranking) of an item in the desired manner. A recourse suggests actions of
the form: "if a feature changes X to Y, then the ranking of that item for a set
of users will change to Z." Furthermore, we demonstrate that RecRec is highly
effective in generating valid, sparse, and actionable recourses through an
empirical evaluation of recommender systems trained on three real-world
datasets. To the best of our knowledge, this work is the first to conceptualize
and empirically test a generalized framework for generating recourses for
recommender systems.
- Abstract（参考訳）: レコメンダシステムは、エンタテインメント、ショッピング、食品、ニュース、雇用、教育といった分野における人々の選択において重要な役割を果たす。
これらのレコメンデータシステムを支える機械学習モデルは、ユーザやコンテンツプロバイダ、システム開発者などにとって本質的に巨大なブラックボックスであることが多い。
すべての利害関係者が、特定の予測やレコメンデーションを行う背後にあるモデルの理論的根拠を理解することは、しばしば重要である。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,実践者のニーズからモチベーションを引き出すために,コンテンツ提供者を対象としたレコメンダシステムのためのリコースフレームワークを提案する。
アルゴリズムによるレコメンデーション・セッティング(英: Algorithmic recourse)とは、もし実行されたら、望ましい方法でアイテムのレコメンデーション(またはランキング)を変更する一連のアクションである。
ある機能が X から Y に変更された場合、その項目のランクは Z に変更される。
さらに,RecRecは実世界の3つのデータセットでトレーニングされたレコメンデータシステムの実証的な評価を通じて,有効でスパースで行動可能なレコメンデーションを生成するのに極めて有効であることを示す。
我々の知る限りでは、この研究は、レコメンダシステムのためのレコメンデーションを生成するための一般化されたフレームワークを概念化し、実証的にテストした最初のものである。
関連論文リスト
- A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。
次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文 参考訳（メタデータ） (2023-06-01T07:08:22Z) - Recommender Systems: A Primer [7.487718119544156]
本稿では,従来のレコメンデーション問題の定式化について概説する。
次に、アイテム検索とランキングのための古典的アルゴリズムパラダイムをレビューする。
本稿では,近年のレコメンデーションシステム研究の進展について論じる。
論文 参考訳（メタデータ） (2023-02-06T06:19:05Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳（メタデータ） (2022-07-04T17:58:39Z) - A Review on Pushing the Limits of Baseline Recommendation Systems with
the integration of Opinion Mining & Information Retrieval Techniques [0.0]
Recommendation Systemsでは、利用者の期待にタイムリーかつ関連性がありながら、コミュニティ内のトレンドアイテムを識別することができる。
より優れた品質のレコメンデーションを達成するために、ディープラーニングの手法が提案されている。
研究者たちは、最も効果的なレコメンデーションを提供するために、標準レコメンデーションシステムの能力を拡大しようと試みている。
論文 参考訳（メタデータ） (2022-05-03T22:13:33Z) - Introducing a Framework and a Decision Protocol to Calibrate Recommender
Systems [0.0]
本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。
主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。
本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
論文 参考訳（メタデータ） (2022-04-07T19:30:55Z) - Designing Explanations for Group Recommender Systems [0.0]
様々な理由でレコメンデーションシステムで説明が用いられる。
レコメンダーシステムの開発者は、特定のアイテムを購入するようにユーザーに説得したいです。
ユーザーは、レコメンダシステムがどのように機能し、なぜ特定のアイテムが推奨されたのかをよりよく理解する必要がある。
論文 参考訳（メタデータ） (2021-02-24T17:05:39Z) - Knowledge Transfer via Pre-training for Recommendation: A Review and
Prospect [89.91745908462417]
実験による推薦システムに対する事前学習の利点を示す。
事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
論文 参考訳（メタデータ） (2020-09-19T13:06:27Z) - Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
論文 参考訳（メタデータ） (2020-04-08T02:11:55Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。