論文の概要: Large Language Models as Recommender Systems: A Study of Popularity Bias

• arxiv url: http://arxiv.org/abs/2406.01285v1
• Date: Mon, 3 Jun 2024 12:53:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 23:09:15.634784
• Title: Large Language Models as Recommender Systems: A Study of Popularity Bias
• Title（参考訳）: Recommender システムとしての大規模言語モデル:大衆バイアスの研究
• Authors: Jan Malte Lichtenberg, Alexander Buchholz, Pola Schwöbel,
• Abstract要約: 人気アイテムは不釣り合いに推奨され、あまり人気がないが、潜在的に関連のあるアイテムを誇張している。 近年,汎用大規模言語モデルのレコメンデーションシステムへの統合が進んでいる。 本研究は,LLMがレコメンデーションシステムにおける人気バイアスに寄与するか否かを検討する。
• 参考スコア（独自算出の注目度）: 46.17953988777199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The issue of popularity bias -- where popular items are disproportionately recommended, overshadowing less popular but potentially relevant items -- remains a significant challenge in recommender systems. Recent advancements have seen the integration of general-purpose Large Language Models (LLMs) into the architecture of such systems. This integration raises concerns that it might exacerbate popularity bias, given that the LLM's training data is likely dominated by popular items. However, it simultaneously presents a novel opportunity to address the bias via prompt tuning. Our study explores this dichotomy, examining whether LLMs contribute to or can alleviate popularity bias in recommender systems. We introduce a principled way to measure popularity bias by discussing existing metrics and proposing a novel metric that fulfills a series of desiderata. Based on our new metric, we compare a simple LLM-based recommender to traditional recommender systems on a movie recommendation task. We find that the LLM recommender exhibits less popularity bias, even without any explicit mitigation.
• Abstract（参考訳）: 人気アイテムが不均等に推奨され、人気度が低かったり、関連性の高いアイテムを誇張するという人気バイアスの問題は、レコメンデーターシステムにおいて大きな課題となっている。 近年,汎用大規模言語モデル (LLM) のアーキテクチャへの統合が進んでいる。 この統合は、LLMのトレーニングデータが人気のあるアイテムに支配されている可能性が高いことを考えると、人気バイアスを悪化させる可能性があるという懸念を提起する。 しかし、即時チューニングによってバイアスに対処する新たな機会を同時に提示する。 本研究は,LLMがレコメンデーションシステムにおける人気バイアスに寄与するか,緩和するかを,この二分法について検討する。 既存のメトリクスについて議論し、一連のデシラタを満たす新しいメトリクスを提案することによって、人気バイアスを測定するための原則的手法を導入する。 新しい基準に基づいて,映画推薦作業における従来のレコメンデータシステムと,シンプルなLLMベースのレコメンデータを比較した。 LLMレコメンデータは, 明示的な緩和を伴わずとも, 人気バイアスが低いことが判明した。

関連論文リスト

• Addressing Popularity Bias in Third-Party Library Recommendations Using LLMs [6.106023882846559]
  本稿では,サードパーティライブラリ(TPL)の推薦システムにおける人気バイアスに対処する大規模言語モデルの能力について検討する。 我々は,最新技術を用いたアブレーション研究を行い,微調整や人気ペナルティのメカニズムを含む,人気バイアスを軽減する。 提案するレコメンデーションの多様性の向上には,微調整・後処理のペナルティ機構が寄与するにもかかわらず,提案するレコメンデーションの人気バイアスには対処できないことが明らかとなった。
  論文  参考訳（メタデータ） (2025-01-17T17:35:14Z)
• Cognitive Biases in Large Language Models for News Recommendation [68.90354828533535]
  本稿では,認知バイアスが大規模言語モデル(LLM)に基づくニュースレコメンデータシステムに与える影響について検討する。 データ拡張、エンジニアリングと学習アルゴリズムの側面を通じて、これらのバイアスを軽減する戦略について議論する。
  論文  参考訳（メタデータ） (2024-10-03T18:42:07Z)
• GPTBIAS: A Comprehensive Framework for Evaluating Bias in Large Language Models [83.30078426829627]
  大規模言語モデル(LLM)は人気を集め、大規模なユーザコミュニティで広く採用されている。 既存の評価手法には多くの制約があり、それらの結果は限定的な解釈可能性を示している。 本稿では,LPMの高性能性を活用し,モデル内のバイアスを評価するGPTBIASというバイアス評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-11T12:02:14Z)
• Metrics for popularity bias in dynamic recommender systems [0.0]
  バイアスドレコメンデーションは個人、敏感なユーザーグループ、社会に悪影響を及ぼす可能性のある決定につながる可能性がある。 本稿では,RecSysモデルの出力から直接発生する人気バイアスの定量化に着目する。 RescSysにおける人気バイアスを時間とともに定量化するための4つの指標が提案されている。
  論文  参考訳（メタデータ） (2023-10-12T16:15:30Z)
• Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
  人気バイアスはレコメンデーションシステムの分野で広く問題となっている。 本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
  論文  参考訳（メタデータ） (2023-08-22T08:57:44Z)
• A Survey on Popularity Bias in Recommender Systems [5.952279576277445]
  本稿では、人気バイアスの潜在的な原因について論じ、リコメンダシステムにおける人気バイアスを検出し、緩和し、定量化するための既存のアプローチをレビューする。 本稿では,主に計算実験に基づく研究であり,推奨項目に長期的項目を含めることの実践的効果について,特定の仮定を前提として,今日の文献を批判的に論じる。
  論文  参考訳（メタデータ） (2023-08-02T12:58:11Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
  本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。 これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
  論文  参考訳（メタデータ） (2023-05-15T17:57:39Z)
• The Unfairness of Popularity Bias in Book Recommendation [0.0]
  人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。 本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。 以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
  論文  参考訳（メタデータ） (2022-02-27T20:21:46Z)
• Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems [84.3996727203154]
  コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。 我々はCLRecをさらに改良し、マルチCLRecを提案する。 提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
  論文  参考訳（メタデータ） (2020-05-20T08:15:23Z)

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。