論文の概要: Nie pozw\'ol algorytmom rz\k{a}dzi\'c Twoim koszykiem: systemy rekomendacyjne w dobie Omnibusa

• arxiv url: http://arxiv.org/abs/2402.01701v1
• Date: Wed, 24 Jan 2024 15:27:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-11 16:42:20.118307
• Title: Nie pozw\'ol algorytmom rz\k{a}dzi\'c Twoim koszykiem: systemy rekomendacyjne w dobie Omnibusa
• Title（参考訳）: nie pozw\'ol algorytmom rz\k{a}dzi\'c twoim koszykiem:systemy rekomendacyjne w dobie omnibusa
• Authors: Miko{\l}aj Morzy, Miros{\l}aw Sobieraj, Sebastian Sikora
• Abstract要約: 著者らは、オムニバス・ディレクティブ(Omnibus Directive)における重要な監視に批判的に注意を向けている。 推奨エンジンは、消費者に影響を与える潜在的に有害なプラクティスの源となり得る。 提案には、レコメンデーションシステムに対する倫理的監督の導入が含まれる。
• 参考スコア（独自算出の注目度）: 2.189835662899575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Omnibus Directive is an essential part of the European Union's New Deal for Consumers. The Directive introduces new regulations in trade, including e-commerce, with the main goal being to increase transparency, fairness and consumer protection. The authors critically draw attention to a significant oversight in the Omnibus Directive, namely the lack of consideration of recommendation systems. Recommendation engines can be a source of potentially harmful practices affecting consumers, hence the need for a directive extension. The proposals presented in this article include the introduction of ethical supervision over recommendation systems to minimize the risk of negative effects of their recommendations, as well as a clear explanation of the criteria on which recommendations are made -- similar to search result rankings. -- Dyrektywa Omnibus stanowi istotn\k{a} cz\k{e}\'s\'c Nowego {\L}adu dla Konsument\'ow (ang. \emph{New Deal for Consumers}) Unii Europejskiej. Dyrektywa wprowadza nowe regulacje w handlu, w tym e-commerce, kt\'orych g{\l}\'ownym celem jest zwi\k{e}kszenie przejrzysto\'sci, uczciwo\'sci i ochrony konsument\'ow. Autorzy krytycznie zwracaj\k{a} uwag\k{e} na istotne zaniedbanie w dyrektywie Omnibus, jakim jest brak uwzgl\k{e}dnienia system\'ow rekomendacyjnych. Silniki rekomendacyjne mog\k{a} by\'c \'zr\'od{\l}em potencjalnie szkodliwych praktyk uderzaj\k{a}cych w konsument\'ow, st\k{a}d niezb\k{e}dne jest rozszerzenie dyrektywy. Propozycje przedstawione w niniejszym artykule obejmuj\k{a} wprowadzenie etycznego nadzoru nad systemami rekomenduj\k{a}cymi, aby zminimalizowa\'c ryzyko negatywnych skutk\'ow ich rekomendacji, a tak\.ze jasne wyja\'snienie kryteri\'ow, na podstawie kt\'orych dokonywane s\k{a} rekomendacje -- analogicznie do ranking\'ow wynik\'ow wyszukiwania.
• Abstract（参考訳）: オムニバス指令(omnibus directive)は、欧州連合(eu)の消費者のための新しい契約の重要な部分である。 Directiveは、eコマースを含む新しい貿易規制を導入し、透明性、公正性、消費者保護を高めることを目指している。 著者らは、オムニバス指令、すなわちレコメンデーションシステムに対する考慮の欠如に関して、重大な見落としに注意を向けている。 推奨エンジンは、消費者に影響を与える潜在的に有害なプラクティスの源となり得る。 本論文で提示される提案には,推薦の否定的影響のリスクを最小限に抑えるための推薦システムに対する倫理的監督の導入や,推薦の基準の明確化などが含まれる。 -Dyrektywa Omnibus stanowi istotn\k{a} cz\k{e}\'s\'c Nowego {\L}adu dla Konsument\'ow (ang)。 Unii Europejskiej(英語) Dyrektywa wprowadza nowe regulacje w handlu, w tym e-Commerce, kt\'orych g{\l}\'ownym celem jest zwi\k{e}kszenie przejrzysto\'sci, uczciwo\'sci i ochrony konsument\'ow Autorzy krytycznie zwracaj\k{a} uwag\k{e} na istotne zaniedbanie w dyrektywie Omnibus, jakim jest brak uwzgl\k{e}dnienia system\'ow rekomendacyjnych。 Silniki rekomendacyjne mog\k{a} by\'c \'zr\'od{\l}em potencjalnie szkodliwych praktyk uderzaj\k{a}cych w konsument\'ow, st\k{a}d niezb\k{e}dne jest rozszerzenie dyrektywy。 Propozycje przedstawione w niniejszym artykule obejmuj\k{a} wprowadzenie etycznego nadzoru nad systemami rekomenduj\k{a}cymi, aby zminimalizowa\'c ryzyko negatywnych skutk\'ow ich rekomendacji, a tak\。 ze jasne wyja\'snienie kryteri\'ow, na podstawie kt\'orych dokonywane s\k{a} rekomendacje - analogicznie do ranking\'ow wynik\'ow wyszukiwania

関連論文リスト

• Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large Language Model Recommendation [52.62492168507781]
  LLM(FaiRLLM)を用いたFairness of Recommendationと呼ばれる新しいベンチマークを提案する。 このベンチマークは、慎重に作成されたメトリクスと、8つの機密属性を考慮に入れたデータセットで構成されている。 FaiRLLMベンチマークを用いて、ChatGPTの評価を行い、レコメンデーションを生成する際には、いくつかの機密属性に対して不公平であることがわかった。
  論文  参考訳（メタデータ） (2023-05-12T16:54:36Z)
• The Economics of Recommender Systems: Evidence from a Field Experiment on MovieLens [0.0]
  本研究では,映画レコメンデーションプラットフォーム上でフィールド実験を行い,レコメンデーションが消費にどのように影響するかを確認した。 消費者に商品を露出させる役割を超えて、リコメンデーションは消費を増大させる。
  論文  参考訳（メタデータ） (2022-11-25T16:31:10Z)
• Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
  既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。 我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。 我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
  論文  参考訳（メタデータ） (2022-06-26T12:07:56Z)
• CPFair: Personalized Consumer and Producer Fairness Re-ranking for Recommender Systems [5.145741425164946]
  本稿では,消費者側と生産側の両方から公平性制約をシームレスに統合する最適化に基づく再ランク付け手法を提案する。 提案手法は, 消費者と生産者の公正性を両立させ, 全体的な推奨品質を低下させることなく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-17T20:38:02Z)
• Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation [15.490873353133363]
  本稿では,トリガー誘導レコメンデーション(TIR, Trigger-induced Recommendation)という新たなレコメンデーション問題を提案する。 そこで本研究では,クリックスルーレート(CTR)予測のための,DIHN(Deep Interest Highlight Network)と呼ばれる新しい推奨手法を提案する。 1)ユーザインテントネットワーク(UIN)、2)トリガーアイテムに対するユーザの意図を正確に予測するための正確な確率スコアを生成する、2)統合埋め込みモジュール(FEM)、そして、UINからの予測に基づいてトリガーアイテムとターゲットアイテムの埋め込みを適応的に融合する、3)。
  論文  参考訳（メタデータ） (2022-02-05T08:40:30Z)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• User Tampering in Reinforcement Learning Recommender Systems [2.28438857884398]
  我々は、強化学習(RL)ベースのレコメンデーションアルゴリズム -- 'ユーザ改ざん' -- で発生する、ユニークな安全性上の懸念を強調します。 ユーザタンパリング(英: user tampering)とは、RLベースのレコメンデータシステムが、長期的なユーザエンゲージメントを最大化するためのポリシーの一環として、その提案を通じてメディアユーザの意見を操作できる状況である。
  論文  参考訳（メタデータ） (2021-09-09T07:53:23Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。