論文の概要: A First Look at Selection Bias in Preference Elicitation for Recommendation

• arxiv url: http://arxiv.org/abs/2405.00554v1
• Date: Wed, 01 May 2024 14:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 01:28:24.558849
• Title: A First Look at Selection Bias in Preference Elicitation for Recommendation
• Title（参考訳）: レコメンデーションにおける選別バイアスに関する一考察
• Authors: Shashank Gupta, Harrie Oosterhuis, Maarten de Rijke,
• Abstract要約: 選好選好における選好バイアスの影響について検討した。 大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。 本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
• 参考スコア（独自算出の注目度）: 64.44255178199846
• License:
• Abstract: Preference elicitation explicitly asks users what kind of recommendations they would like to receive. It is a popular technique for conversational recommender systems to deal with cold-starts. Previous work has studied selection bias in implicit feedback, e.g., clicks, and in some forms of explicit feedback, i.e., ratings on items. Despite the fact that the extreme sparsity of preference elicitation interactions make them severely more prone to selection bias than natural interactions, the effect of selection bias in preference elicitation on the resulting recommendations has not been studied yet. To address this gap, we take a first look at the effects of selection bias in preference elicitation and how they may be further investigated in the future. We find that a big hurdle is the current lack of any publicly available dataset that has preference elicitation interactions. As a solution, we propose a simulation of a topic-based preference elicitation process. The results from our simulation-based experiments indicate (i) that ignoring the effect of selection bias early in preference elicitation can lead to an exacerbation of overrepresentation in subsequent item recommendations, and (ii) that debiasing methods can alleviate this effect, which leads to significant improvements in subsequent item recommendation performance. Our aim is for the proposed simulator and initial results to provide a starting point and motivation for future research into this important but overlooked problem setting.
• Abstract（参考訳）: Preference Elicitationは、ユーザーにどのようなレコメンデーションを受けたいかを明示的に尋ねる。 コールドスタートを扱うための会話レコメンデーションシステムとして人気がある。 これまでの研究は、暗黙のフィードバック、例えばクリック、いくつかの明示的なフィードバック、すなわちアイテムのレーティングにおける選択バイアスを研究してきた。 選好選好相互作用の極端に広範囲性があるため、選好選好選好選好は自然選好よりも選択選好選好選好選好選好選好選好選好の偏見がまだ研究されていない。 このギャップに対処するために、選好誘導における選択バイアスの影響と、今後どのように研究されるかについて、まず検討する。 非常に大きなハードルは、現在、レコメンデーションエスカレーションインタラクションを持つデータセットが公開されていないことです。 そこで本研究では,トピックに基づく選好推論プロセスのシミュレーションを提案する。 シミュレーションに基づく実験の結果は、 一 選好選好の早期に選択バイアスの影響を無視することは、その後の項目推薦において過剰表現の悪化につながるおそれがあり、 二 この効果を緩和することができ、その後の項目推薦性能を大幅に改善させることができる。 本研究の目的は,提案したシミュレータと初期結果を用いて,この重要かつ見過ごされた問題設定に関する今後の研究の出発点とモチベーションを提供することである。

関連論文リスト

• The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems [0.0]
  本稿では,未経験項目に対するユーザの信念を収集する手法を提案する。 提案手法はMovieLensプラットフォーム上で実装され,ユーザ評価,信念,監視されたレコメンデーションを組み合わせた豊富なデータセットが得られた。
  論文  参考訳（メタデータ） (2024-05-17T19:06:06Z)
• Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference [50.95521705711802]
  従来の研究では、予測モデルの偏りのない学習を実現するために、選択バイアスに対処することに注力してきた。 本稿では、因果推論の観点から、近隣効果を干渉問題として公式に定式化する。 本稿では,近隣効果の存在下で選択バイアスに対処できる新しい理想的損失を提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:20:41Z)
• Models of human preference for learning reward functions [80.39289349661364]
  そこで我々は,一対の軌跡区間間の人為的嗜好から報酬関数を学習する。 この仮定に欠陥があることに気付き、各セグメントの後悔が示すように、人間の嗜好をモデル化することを提案する。 提案した後悔の選好モデルは、実際の人間の選好をより良く予測し、また、これらの選好から報酬関数を学習し、より人道的な政策へと導く。
  論文  参考訳（メタデータ） (2022-06-05T17:58:02Z)
• 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)
• Multi-characteristic Subject Selection from Biased Datasets [79.82881947891589]
  本稿では,異なる集団群に対する最良サンプリング分数を求める制約付き最適化に基づく手法を提案する。 その結果,提案手法がすべての問題変化のベースラインを最大90%上回っていることが示された。
  論文  参考訳（メタデータ） (2020-12-18T15:55:27Z)
• Unbiased Learning for the Causal Effect of Recommendation [8.849159720632612]
  本稿では,推薦の因果効果に対する非バイアス学習フレームワークを提案する。 ランキング尺度の因果効果拡張のための非バイアス学習法を開発した。
  論文  参考訳（メタデータ） (2020-08-11T07:30:44Z)
• Modeling and Counteracting Exposure Bias in Recommender Systems [0.0]
  本研究では,行列因数分解など,広く用いられている推奨戦略に固有のバイアスについて検討する。 本稿では,リコメンデータシステムのための新しいデバイアス対策を提案する。 その結果,レコメンダシステムにはバイアスがあり,ユーザの事前の露出に依存していることがわかった。
  論文  参考訳（メタデータ） (2020-01-01T00:12:34Z)

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。