論文の概要: Advancing Cultural Inclusivity: Optimizing Embedding Spaces for Balanced Music Recommendations

• arxiv url: http://arxiv.org/abs/2405.17607v1
• Date: Mon, 27 May 2024 19:12:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 23:21:23.740421
• Title: Advancing Cultural Inclusivity: Optimizing Embedding Spaces for Balanced Music Recommendations
• Title（参考訳）: 文化増進の促進:バランスのとれた音楽レコメンデーションのための埋め込み空間の最適化
• Authors: Armin Moradi, Nicola Neophytou, Golnoosh Farnadi,
• Abstract要約: 音楽レコメンデーションシステムにおける人気バイアスは、人口統計や文化の軸に沿って伝播することができる。 我々は,これらのバイアスを,プロトタイプベースの行列分解法において,表現不足の文化的グループからアーティストへの推薦において識別する。 本研究は,音楽レコメンデーションにおける人気バイアスの低減と,人口・文化の公平性向上に寄与することを示す。
• 参考スコア（独自算出の注目度）: 4.276697874428501
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Popularity bias in music recommendation systems -- where artists and tracks with the highest listen counts are recommended more often -- can also propagate biases along demographic and cultural axes. In this work, we identify these biases in recommendations for artists from underrepresented cultural groups in prototype-based matrix factorization methods. Unlike traditional matrix factorization methods, prototype-based approaches are interpretable. This allows us to directly link the observed bias in recommendations for minority artists (the effect) to specific properties of the embedding space (the cause). We mitigate popularity bias in music recommendation through capturing both users' and songs' cultural nuances in the embedding space. To address these challenges while maintaining recommendation quality, we propose two novel enhancements to the embedding space: i) we propose an approach to filter-out the irrelevant prototypes used to represent each user and item to improve generalizability, and ii) we introduce regularization techniques to reinforce a more uniform distribution of prototypes within the embedding space. Our results demonstrate significant improvements in reducing popularity bias and enhancing demographic and cultural fairness in music recommendations while achieving competitive -- if not better -- overall performance.
• Abstract（参考訳）: 音楽レコメンデーションシステムの人気バイアス — 聴取回数が最も高いアーティストや曲がより頻繁に推奨される — は、人口統計や文化の軸に沿ったバイアスを広める可能性がある。 本研究では,これらのバイアスを,プロトタイプに基づく行列因数分解法において,表現不足の文化的グループからアーティストへの推薦において同定する。 従来の行列分解法とは異なり、プロトタイプベースのアプローチは解釈可能である。 これにより、少数派アーティスト(効果)に対する推薦における観察されたバイアスを直接、埋め込み空間(原因)の特定の特性に関連付けることができる。 我々は,音楽レコメンデーションにおける人気バイアスを,埋め込み空間におけるユーザと歌の文化的ニュアンスを捉えることによって緩和する。 推奨品質を維持しつつこれらの課題に対処するため、埋め込み空間に新たな2つの拡張を提案する。 一 一般化性を向上させるため、各ユーザ及び項目を表すために使用する無関係なプロトタイプをフィルタリングする手法を提案する。 二 組込み空間における試作機のより均一な分布を強化するための正規化手法を導入する。 以上の結果から,音楽レコメンデーションにおける人気バイアスの低減と人口的・文化的公正性の向上に寄与すると同時に,総合的なパフォーマンスの競争的達成に寄与する可能性が示唆された。

関連論文リスト

• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• Oh, Behave! Country Representation Dynamics Created by Feedback Loops in Music Recommender Systems [7.92422328367169]
  本研究では,ユーザのプロファイルやレコメンデーションにおける地域(国別)と米国産音楽の表現のダイナミクスについて検討する。 その結果,調査対象のレコメンデーションモデルのほとんどは,レコメンデーションにおける地元のアーティストの楽曲の割合を減少させることが示唆された。 表現力の低い国からのユーザーは、長期的には、地元の音楽の表現不足に最も影響を受けやすい。
  論文  参考訳（メタデータ） (2024-08-21T12:18:28Z)
• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• MaxMin-RLHF: Towards Equitable Alignment of Large Language Models with Diverse Human Preferences [101.57443597426374]
  Reinforcement Learning from Human Feedback (RLHF) は、言語モデルと人間の嗜好を一致させる。 予測最大化アルゴリズムを用いて嗜好分布の混合を学習し、人間の嗜好をよりよく表現する。 従来のRLHFアルゴリズムよりも16%以上の勝利率向上を実現している。
  論文  参考訳（メタデータ） (2024-02-14T03:56:27Z)
• MusicRL: Aligning Music Generation to Human Preferences [62.44903326718772]
  MusicRLは人間のフィードバックによって微調整された最初の音楽生成システムである。 ユーザに対してMusicLMをデプロイし,30,000対の選好からなる実質的なデータセットを収集する。 人間のフィードバックを大規模に組み込んだ最初のテキスト-音楽モデルであるMusicRL-Uを訓練する。
  論文  参考訳（メタデータ） (2024-02-06T18:36:52Z)
• Popularity Degradation Bias in Local Music Recommendation [0.13597551064547497]
  地域音楽レコメンデーションの文脈における人気劣化バイアスの影響について検討する。 どちらのアルゴリズムも、より人気のあるアーティストのレコメンデーションパフォーマンスを改善する。 Mult-VAEは、あまり人気のないアーティストにとって、より優れた相対的パフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-20T22:36:33Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• Listener Modeling and Context-aware Music Recommendation Based on Country Archetypes [10.19712238203935]
  音楽の好みは、リスナーの文化的・社会経済的背景によって強く形作られています。 我々は、最先端の教師なし学習技術を用いて、楽曲のきめ細かいレベルにおける音楽嗜好の国別プロファイルを調査する。 暗黙的なユーザフィードバックを活用する,コンテキスト対応の音楽レコメンデーションシステムを提案する。
  論文  参考訳（メタデータ） (2020-09-11T17:59:04Z)

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。