論文の概要: Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation

• arxiv url: http://arxiv.org/abs/2403.03578v1
• Date: Wed, 6 Mar 2024 09:48:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 15:35:42.667131
• Title: Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation
• Title（参考訳）: ソーシャルレコメンデーションにおける社会的影響バイアスの調節のための因果性障害
• Authors: Li Wang, Min Xu, Quangui Zhang, Yunxiao Shi, Qiang Wu
• Abstract要約: ソーシャルレコメンデーションシステムは、社会的影響バイアスの問題に直面しており、友人が交流したアイテムの推薦に過大評価される可能性がある。 本稿では,CDRSBというソーシャルレコメンデーションにおけるソーシャルインフルエントバイアスの規制のための因果ディスタングルに基づくフレームワークを提案し,レコメンデーション性能の向上を図る。
• 参考スコア（独自算出の注目度）: 12.120586712440673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social recommendation systems face the problem of social influence bias, which can lead to an overemphasis on recommending items that friends have interacted with. Addressing this problem is crucial, and existing methods often rely on techniques such as weight adjustment or leveraging unbiased data to eliminate this bias. However, we argue that not all biases are detrimental, i.e., some items recommended by friends may align with the user's interests. Blindly eliminating such biases could undermine these positive effects, potentially diminishing recommendation accuracy. In this paper, we propose a Causal Disentanglement-based framework for Regulating Social influence Bias in social recommendation, named CDRSB, to improve recommendation performance. From the perspective of causal inference, we find that the user social network could be regarded as a confounder between the user and item embeddings (treatment) and ratings (outcome). Due to the presence of this social network confounder, two paths exist from user and item embeddings to ratings: a non-causal social influence path and a causal interest path. Building upon this insight, we propose a disentangled encoder that focuses on disentangling user and item embeddings into interest and social influence embeddings. Mutual information-based objectives are designed to enhance the distinctiveness of these disentangled embeddings, eliminating redundant information. Additionally, a regulatory decoder that employs a weight calculation module to dynamically learn the weights of social influence embeddings for effectively regulating social influence bias has been designed. Experimental results on four large-scale real-world datasets Ciao, Epinions, Dianping, and Douban book demonstrate the effectiveness of CDRSB compared to state-of-the-art baselines.
• Abstract（参考訳）: ソーシャルレコメンデーションシステムは、社会的影響バイアスの問題に直面しており、友人が交流したアイテムの推薦に過大評価される可能性がある。 この問題を解決することは重要であり、既存の手法では、重みの調整や偏りのないデータを利用してバイアスを取り除くといったテクニックに依存することが多い。 しかし、すべての偏見が有害であるわけではない、すなわち、友人が推奨する項目は、ユーザの関心に合致する可能性がある。 このような偏見を盲目的に排除することは、これらのポジティブな効果を弱め、推薦精度を低下させる可能性がある。 本稿では,ソーシャルレコメンデーションにおける社会的影響バイアスを規制するための因果的対立に基づく枠組みcdrsbを提案し,レコメンデーションパフォーマンスを向上させる。 因果推論の観点からは、ユーザソーシャルネットワークは、ユーザとアイテムの埋め込み(処理)と評価(成果)の共著者とみなすことができる。 このソーシャルネットワークの共同設立者が存在するため、ユーザーとアイテムの埋め込みからレーティングへの2つのパスが存在する:非因果的社会的影響パスと因果的関心パスである。 この知見に基づいて,ユーザとアイテムのエンベッドを興味や社会的影響の埋め込みに分離することに焦点を当てたエンコーダを提案する。 相互情報に基づく目的は、これらの異種埋め込みの識別性を高めるために設計され、冗長な情報を排除する。 さらに、重み計算モジュールを用いて、社会的影響バイアスを効果的に制御するための社会的影響埋め込みの重みを動的に学習する規制デコーダを設計した。 Ciao, Epinions, Dianping, Doubanの4つの大規模実世界のデータセットの実験結果は、最先端のベースラインと比較してCDRSBの有効性を示している。

関連論文リスト

• Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
  ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。 既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。 本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
  論文  参考訳（メタデータ） (2024-05-27T02:45:01Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Rebalancing Social Feed to Minimize Polarization and Disagreement [24.939887831898453]
  本稿では,ユーザのソーシャルフィードをわずかにヌードすることを目的とした新しい問題定式化を提案し,その妥当性と多様性を両立させる。 提案手法は,ユーザがフォローするアカウントの相対的重要性を再重み付けすることで,ユーザに対して様々なアカウントが生成するコンテンツの頻度を校正する。
  論文  参考訳（メタデータ） (2023-08-28T10:59:05Z)
• The Tail Wagging the Dog: Dataset Construction Biases of Social Bias Benchmarks [75.58692290694452]
  社会的偏見と、データセット構築時に選択された選択から生じる非社会的偏見を比較し、人間の目では識別できないかもしれない。 これらの浅い修正は、様々なモデルにまたがるバイアスの程度に驚くべき影響を及ぼす。
  論文  参考訳（メタデータ） (2022-10-18T17:58:39Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Causal Disentanglement with Network Information for Debiased Recommendations [34.698181166037564]
  近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
  論文  参考訳（メタデータ） (2022-04-14T20:55:11Z)
• Attentive Social Recommendation: Towards User And Item Diversities [19.68134197265983]
  我々はこの問題に対処するための注意深い社会レコメンデーションシステム(ASR)を提案する。 まず、ASRでは、Rec-convグラフネットワーク層が、ソーシャルファクター、ユーザレーティング、アイテムレーティングの要素を抽出するために提案される。 第二に、多様な評価値に対して、遠ざかる戦略が適用される。
  論文  参考訳（メタデータ） (2020-11-09T21:57:45Z)
• Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
  我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。 偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。 本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-20T19:37:04Z)

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。