論文の概要: Popularity Degradation Bias in Local Music Recommendation
- arxiv url: http://arxiv.org/abs/2309.11671v1
- Date: Wed, 20 Sep 2023 22:36:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 17:33:30.953474
- Title: Popularity Degradation Bias in Local Music Recommendation
- Title(参考訳): 地域音楽レコメンデーションにおける人気低下バイアス
- Authors: April Trainor and Douglas Turnbull
- Abstract要約: 地域音楽レコメンデーションの文脈における人気劣化バイアスの影響について検討する。
どちらのアルゴリズムも、より人気のあるアーティストのレコメンデーションパフォーマンスを改善する。
Mult-VAEは、あまり人気のないアーティストにとって、より優れた相対的パフォーマンスを示す。
- 参考スコア(独自算出の注目度): 0.13597551064547497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study the effect of popularity degradation bias in the
context of local music recommendations. Specifically, we examine how accurate
two top-performing recommendation algorithms, Weight Relevance Matrix
Factorization (WRMF) and Multinomial Variational Autoencoder (Mult-VAE), are at
recommending artists as a function of artist popularity. We find that both
algorithms improve recommendation performance for more popular artists and, as
such, exhibit popularity degradation bias. While both algorithms produce a
similar level of performance for more popular artists, Mult-VAE shows better
relative performance for less popular artists. This suggests that this
algorithm should be preferred for local (long-tail) music artist
recommendation.
- Abstract(参考訳): 本稿では,地域音楽レコメンデーションの文脈における人気低下バイアスの影響について検討する。
具体的には,WRMF (Weight Relevance Matrix Factorization) とmultinomial Variational Autoencoder (Mult-VAE) の2つのトップパフォーマンスレコメンデーションアルゴリズムが,アーティストをアーティストの人気関数として推奨しているかを検討する。
どちらのアルゴリズムも人気アーティストのレコメンデーションパフォーマンスを改善しており、人気低下バイアスを呈している。
どちらのアルゴリズムも、よりポピュラーなアーティストに同様のレベルのパフォーマンスをもたらすが、Mult-VAEは、あまり人気のないアーティストにより良い相対的なパフォーマンスを示す。
これは、このアルゴリズムがローカル(ロングテール)音楽アーティストの推薦に好まれるべきであることを示唆している。
関連論文リスト
- Advancing Cultural Inclusivity: Optimizing Embedding Spaces for Balanced Music Recommendations [4.276697874428501]
音楽レコメンデーションシステムにおける人気バイアスは、人口統計や文化の軸に沿って伝播することができる。
我々は,これらのバイアスを,プロトタイプベースの行列分解法において,表現不足の文化的グループからアーティストへの推薦において識別する。
本研究は,音楽レコメンデーションにおける人気バイアスの低減と,人口・文化の公平性向上に寄与することを示す。
論文 参考訳(メタデータ) (2024-05-27T19:12:53Z) - KTO: Model Alignment as Prospect Theoretic Optimization [67.44320255397506]
Kahneman & Tversky の $textitprospect theory$ は、人間が偏見はあるが明確に定義された方法でランダム変数を知覚することを示している。
人間のフィードバックとLLMを協調させる目的には,これらのバイアスが暗黙的に組み込まれていることを示す。
そこで本稿では,嗜好のログ類似度を最大化する代わりに,世代別利用率を直接最大化するHALOを提案する。
論文 参考訳(メタデータ) (2024-02-02T10:53:36Z) - Fairness Through Domain Awareness: Mitigating Popularity Bias For Music
Discovery [56.77435520571752]
音楽発見と人気バイアスの本質的な関係について検討する。
本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。
我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
論文 参考訳(メタデータ) (2023-08-28T14:12:25Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳(メタデータ) (2023-05-18T15:37:38Z) - Exploring Popularity Bias in Music Recommendation Models and Commercial
Steaming Services [0.0]
人気度バイアスは、レコメンデーターシステムが、人気アーティストをユーザに推薦するときに、不当に人気アーティストを好むという考えだ。
3つの推奨システムモデル(SLIM, Multi-VAE, WRMF)と3つの商用音楽ストリーミングサービス(Spotify, Amazon Music, YouTube)における人気バイアスを測定する。
最も正確なモデル(SLIM)は最も人気バイアスを持つが、より正確でないモデルはより人気バイアスが少ない。
論文 参考訳(メタデータ) (2022-08-19T19:06:40Z) - Reconciling the Quality vs Popularity Dichotomy in Online Cultural
Markets [62.146882023375746]
本研究では,現在普及している商品に偏りがある可能性のあるランキングアルゴリズムにより,品質基準を隠蔽した$N$アイテムをユーザに推奨する,理想化されたオンライン文化市場のモデルを提案する。
我々のゴールは、人気バイアスが高品質アイテムが低品質アイテムよりも人気になるのを防ぎ、品質と人気ランキングの間に望ましくないミスアライメントをもたらすという、よく知られた事実の根底にあるメカニズムをよりよく理解することである。
論文 参考訳(メタデータ) (2022-04-28T14:36:11Z) - The Unfairness of Popularity Bias in Book Recommendation [0.0]
人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。
本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。
以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
論文 参考訳(メタデータ) (2022-02-27T20:21:46Z) - Context-Based Music Recommendation Algorithm Evaluation [0.0]
本稿では,ユーザが曲を好むかどうかを予測するための6つの機械学習アルゴリズムとその個々の精度について検討する。
探索されたアルゴリズムには、ロジスティック回帰、ネイブベイズ、シークエンシャル最小最適化(SMO)、マルチレイヤーパーセプトロン(ニューラルネットワーク)、Nearest Neighbor、ランダムフォレストなどがある。
Spotify APIによって提供される各曲の特徴を分析することで、Random Forestはユーザーが84%の精度で曲を好むかどうかを予測する最も成功したアルゴリズムである。
論文 参考訳(メタデータ) (2021-12-16T01:46:36Z) - 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) - Optimistic Policy Optimization with Bandit Feedback [70.75568142146493]
我々は,事前の報奨を後悔する$tilde O(sqrtS2 A H4 K)を定め,楽観的な信頼領域ポリシー最適化(TRPO)アルゴリズムを提案する。
我々の知る限り、この2つの結果は、未知の遷移と帯域幅フィードバックを持つポリシー最適化アルゴリズムにおいて得られた最初のサブ線形後悔境界である。
論文 参考訳(メタデータ) (2020-02-19T15:41:18Z)
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。