論文の概要: Retention Induced Biases in a Recommendation System with Heterogeneous Users

• arxiv url: http://arxiv.org/abs/2402.13959v3
• Date: Wed, 30 Oct 2024 17:16:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 11:30:16.851815
• Title: Retention Induced Biases in a Recommendation System with Heterogeneous Users
• Title（参考訳）: 不均質ユーザによる推薦システムにおける保持誘導バイアス
• Authors: Shichao Ma,
• Abstract要約: ユーザインフローとチャーンダイナミクスを用いたレコメンデーションシステム(RS)の概念モデルについて検討する。 レコメンデーションアルゴリズムを変更すると、定常状態が変化し、遷移期間が生成される。 遷移期間中に得られたA/B実験の指標は、RSの長期的なパフォーマンスのバイアスのある指標である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: I examine a conceptual model of a recommendation system (RS) with user inflow and churn dynamics. When inflow and churn balance out, the user distribution reaches a steady state. Changing the recommendation algorithm alters the steady state and creates a transition period. During this period, the RS behaves differently from its new steady state. In particular, A/B experiment metrics obtained in transition periods are biased indicators of the RS's long-term performance. Scholars and practitioners, however, often conduct A/B tests shortly after introducing new algorithms to validate their effectiveness. This A/B experiment paradigm, widely regarded as the gold standard for assessing RS improvements, may consequently yield false conclusions. I also briefly touch on the data bias caused by the user retention dynamics.
• Abstract（参考訳）: ユーザインフローとチャーンダイナミクスを用いたレコメンデーションシステム(RS)の概念モデルについて検討する。 インフローとチャーンがバランスをとれば、ユーザの分布は安定した状態に達する。 レコメンデーションアルゴリズムを変更すると、定常状態が変化し、遷移期間が生成される。 この期間、RSは新たな定常状態と異なる振る舞いをする。 特に、遷移期に得られたA/B実験のメトリクスは、RSの長期的なパフォーマンスのバイアスのある指標である。 しかし、研究者や実践者は、新しいアルゴリズムを導入してその有効性を検証した後、しばしばA/Bテストを行う。 このA/B実験のパラダイムは、RSの改良を評価するための金の標準とみなされており、結果として偽の結論をもたらす可能性がある。 また、ユーザ保持のダイナミクスによって引き起こされるデータのバイアスにも簡単に触れます。

関連論文リスト

• Measuring Recency Bias In Sequential Recommendation Systems [4.797371814812293]
  シーケンシャルレコメンデーションシステムにおける頻度バイアス(Recency bias)とは、ユーザセッション内の最近の項目に過度に重きを置くことを指す。 このバイアスは、レコメンデーションのセレンディピティーを低下させ、システムの長期的関心を捉える能力を妨げます。 本論文は,リレーレンシバイアスの定量化に特化して設計された,単純かつ効果的な新しい計量法を提案する。
  論文  参考訳（メタデータ） (2024-09-15T13:02:50Z)
• AdaRec: Adaptive Sequential Recommendation for Reinforcing Long-term User Engagement [25.18963930580529]
  本稿では,AdaRec(Adaptive Sequential Recommendation)と呼ばれる新しいパラダイムを紹介し,この問題に対処する。 AdaRecは、ユーザのインタラクション軌跡から潜時情報を抽出する、新しい距離ベース表現損失を提案する。 シミュレーションベースとライブシーケンシャルなレコメンデーションタスクの両方において、広範な実証分析を行う。
  論文  参考訳（メタデータ） (2023-10-06T02:45:21Z)
• On (Normalised) Discounted Cumulative Gain as an Off-Policy Evaluation Metric for Top-$n$ Recommendation [12.036747050794135]
  計算累積ゲイン(Discounted Cumulative Gain, NDCG)は、経験的研究において広く採用されている指標の一つである。 我々は、我々の偏見のないDCGの推定値が、指標固有の仮定に違反した場合であっても、オンライン報酬と強く相関していることを示した。
  論文  参考訳（メタデータ） (2023-07-27T17:57:42Z)
• DELTA: degradation-free fully test-time adaptation [59.74287982885375]
  テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。 まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。 第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:54:00Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Investigation of Different Calibration Methods for Deep Speaker Embedding based Verification Systems [66.61691401921296]
  本稿では, ディープスピーカ埋込抽出器のスコアキャリブレーション法について検討する。 この研究のさらなる焦点は、スコア正規化がシステムの校正性能に与える影響を推定することである。
  論文  参考訳（メタデータ） (2022-03-28T21:22:22Z)
• Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
  本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。 本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。 実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
  論文  参考訳（メタデータ） (2021-09-13T15:02:55Z)
• Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning [68.25805655688876]
  推薦者の公正さは、おそらく伝統的な推薦者によって引き起こされる偏見と差別によって、注目を集めている。 IRSにおける精度と公平性の長期的バランスを動的に維持するための強化学習ベースのフレームワークであるFairRecを提案する。 大規模な実験は、FairRecが優れたレコメンデーション品質を維持しながら、公正性を改善することを実証する。
  論文  参考訳（メタデータ） (2021-06-25T02:02:51Z)
• Monitoring nonstationary processes based on recursive cointegration analysis and elastic weight consolidation [2.8102838347038617]
  従来のアプローチは、通常の動的偏差を障害と誤認し、高い誤報を引き起こす。 本稿では, RCA と RPCA を用いて, 実際の故障と通常のシステム変化を区別する手法を提案する。 破滅的な「忘れる問題」を解決するために弾性重量凝縮(EWC)が用いられる。
  論文  参考訳（メタデータ） (2021-01-21T12:49:18Z)
• AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
  我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。 実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
  論文  参考訳（メタデータ） (2020-06-11T16:36:31Z)
• Accelerated Convergence for Counterfactual Learning to Rank [65.63997193915257]
  IPS重み付き勾配を持つSGD手法の収束速度は、IPS重みによる大きなばらつきに悩まされることを示す。 本稿では,従来のIPS重み付け勾配降下法よりも優れた収束性を有する新しい学習アルゴリズムであるCounterSampleを提案する。 我々は、CounterSampleがより早く収束し、理論的な結果と経験的な結果とを補完することを証明する。
  論文  参考訳（メタデータ） (2020-05-21T12:53:36Z)

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。