論文の概要: Exploring Popularity Bias in Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2312.07855v1
• Date: Wed, 13 Dec 2023 02:48:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 16:43:28.225200
• Title: Exploring Popularity Bias in Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションにおける人気バイアスの検討
• Authors: Haowen Wang
• Abstract要約: セッションベースの設定と適応確率計算に分析を拡張し、セッションベースのレコメンデーションタスクの独特な特性に適応する。 本研究では、異なるデータセット上での確率分布と異なる階層化手法について検討し、確率関連特性が実際にデータセット固有のものであることを見出した。
• 参考スコア（独自算出の注目度）: 0.6798775532273751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing work has revealed that large-scale offline evaluation of recommender systems for user-item interactions is prone to bias caused by the deployed system itself, as a form of closed loop feedback. Many adopt the \textit{propensity} concept to analyze or mitigate this empirical issue. In this work, we extend the analysis to session-based setup and adapted propensity calculation to the unique characteristics of session-based recommendation tasks. Our experiments incorporate neural models and KNN-based models, and cover both the music and the e-commerce domain. We study the distributions of propensity and different stratification techniques on different datasets and find that propensity-related traits are actually dataset-specific. We then leverage the effect of stratification and achieve promising results compared to the original models.
• Abstract（参考訳）: 既存の研究によると、ユーザとイテムのインタラクションのためのリコメンデータシステムの大規模なオフライン評価は、クローズドループフィードバックの一形態として、デプロイシステム自体が引き起こすバイアスの傾向にある。 この経験的問題を解析または緩和するために、多くの人は \textit{propensity} の概念を採用している。 本研究は,セッションベースレコメンデーションタスクのユニークな特徴に対して,セッションベースの設定と適応性計算に分析を拡張したものである。 我々の実験はニューラルモデルとKNNベースのモデルを含み、音楽と電子商取引の両方をカバーする。 我々は,異なるデータセット上での確率分布と異なる階層化手法について検討し,その特性が実際にデータセットに特異的であることを示す。 そして、階層化の効果を活用し、元のモデルと比較して有望な結果を得る。

関連論文リスト

• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• A Bayesian Approach to Robust Inverse Reinforcement Learning [54.24816623644148]
  我々は、オフラインモデルに基づく逆強化学習(IRL)に対するベイズ的アプローチを考える。 提案フレームワークは,専門家の報酬関数と環境力学の主観的モデルとを同時推定することにより,既存のオフラインモデルベースIRLアプローチとは異なる。 本分析は, 専門家が環境の高精度なモデルを持つと考えられる場合, 評価政策が堅牢な性能を示すという新たな知見を提示する。
  論文  参考訳（メタデータ） (2023-09-15T17:37:09Z)
• Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
  マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。 我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
  論文  参考訳（メタデータ） (2023-08-10T08:43:20Z)
• Bayesian Additive Main Effects and Multiplicative Interaction Models using Tensor Regression for Multi-environmental Trials [0.0]
  本稿では,複数の因子が表現型予測に与える影響を考慮したベイズテンソル回帰モデルを提案する。 我々は、モデルのパラメータ間で生じる可能性のある識別可能性の問題を解決するための、事前分布のセットを採用する。 我々は2010年から2019年までのアイルランドにおける小麦生産に関する実世界のデータを分析して、我々のモデルの適用性を探る。
  論文  参考訳（メタデータ） (2023-01-09T19:54:50Z)
• Debiased Recommendation with Neural Stratification [19.841871819722016]
  我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。 提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-08-15T15:45:35Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• CDEvalSumm: An Empirical Study of Cross-Dataset Evaluation for Neural Summarization Systems [121.78477833009671]
  データセット間設定下での様々な要約モデルの性能について検討する。 異なるドメインの5つのデータセットに対する11の代表的な要約システムに関する包括的な研究は、モデルアーキテクチャと生成方法の影響を明らかにしている。
  論文  参考訳（メタデータ） (2020-10-11T02:19:15Z)
• Theoretical Modeling of the Iterative Properties of User Discovery in a Collaborative Filtering Recommender System [0.0]
  レコメンデータシステムにおけるクローズドなフィードバックループは、さまざまな種類のバイアスを引き起こす可能性がある一般的な設定である。 本稿では,フィードバックループ設定内で動作するレコメンデータシステムの様々なコンポーネントの進化をモデル化するための理論的枠組みを提案する。 本研究は,フィードバックループの効果を定量化し,人工知能と機械学習アルゴリズムを設計するための理論的基礎を定めている。
  論文  参考訳（メタデータ） (2020-08-21T20:30:39Z)
• Causal Modeling with Stochastic Confounders [11.881081802491183]
  この作業は、共同設立者との因果推論を拡張します。 本稿では,ランダムな入力空間を持つ表現子定理に基づく因果推論のための変分推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-24T00:34:44Z)

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。