論文の概要: Better Late Than Never: Formulating and Benchmarking Recommendation Editing

• arxiv url: http://arxiv.org/abs/2406.04553v2
• Date: Mon, 28 Oct 2024 07:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 16:01:26.134560
• Title: Better Late Than Never: Formulating and Benchmarking Recommendation Editing
• Title（参考訳）: フォーミュラとベンチマークによるレコメンデーション編集
• Authors: Chengyu Lai, Sheng Zhou, Zhimeng Jiang, Qiaoyu Tan, Yuanchen Bei, Jiawei Chen, Ningyu Zhang, Jiajun Bu,
• Abstract要約: 本稿では、既知の、不適切なレコメンデーション行動を修正することに焦点を当てたレコメンデーション編集を紹介する。 本稿では, 厳密な修正, 協調的な修正, 集中的な修正の3つの主目的によるレコメンデーション編集の課題を正式に定義する。 ベイジアン・パーソナライズド・ランキング・ロス(Personalized Ranking Loss)を用いたレコメンデーション編集のための簡易かつ効果的なベンチマークを提示する。
• 参考スコア（独自算出の注目度）: 25.52471182435051
• License:
• Abstract: Recommendation systems play a pivotal role in suggesting items to users based on their preferences. However, in online platforms, these systems inevitably offer unsuitable recommendations due to limited model capacity, poor data quality, or evolving user interests. Enhancing user experience necessitates efficiently rectify such unsuitable recommendation behaviors. This paper introduces a novel and significant task termed recommendation editing, which focuses on modifying known and unsuitable recommendation behaviors. Specifically, this task aims to adjust the recommendation model to eliminate known unsuitable items without accessing training data or retraining the model. We formally define the problem of recommendation editing with three primary objectives: strict rectification, collaborative rectification, and concentrated rectification. Three evaluation metrics are developed to quantitatively assess the achievement of each objective. We present a straightforward yet effective benchmark for recommendation editing using novel Editing Bayesian Personalized Ranking Loss. To demonstrate the effectiveness of the proposed method, we establish a comprehensive benchmark that incorporates various methods from related fields. Codebase is available at https://github.com/cycl2018/Recommendation-Editing.
• Abstract（参考訳）: レコメンデーションシステムは、ユーザの好みに基づいて、アイテムをユーザに提案する上で重要な役割を担っている。 しかし、オンラインプラットフォームでは、モデルキャパシティの制限、データ品質の低下、ユーザの興味の進化などにより、これらのシステムは必然的に不適切なレコメンデーションを提供する。 ユーザエクスペリエンスを向上させるには、このような不適切なレコメンデーション動作を効率的に修正する必要がある。 本稿では,既知かつ不適なレコメンデーション行動の修正に焦点を当てた,新規かつ重要なレコメンデーション編集手法を提案する。 具体的には、トレーニングデータにアクセスしたり、モデルを再訓練したりせずに、既知の不適切な項目を除去するためにレコメンデーションモデルを調整することを目的としている。 本稿では, 厳密な修正, 協調的な修正, 集中的な修正の3つの主目的によるレコメンデーション編集の課題を正式に定義する。 それぞれの目的の達成度を定量的に評価するために,3つの評価指標を開発した。 編集ベイジアンパーソナライズされたランキングロスを用いたレコメンデーション編集のための,単純かつ効果的なベンチマークを提示する。 提案手法の有効性を示すため,関連分野から様々な手法を取り入れた総合的なベンチマークを構築した。 Codebaseはhttps://github.com/cycl2018/Recommendation-Editing.comから入手できる。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• A Differentiable Ranking Metric Using Relaxed Sorting Operation for Top-K Recommender Systems [1.2617078020344619]
  推薦システムは、項目の選好スコアを計算し、スコアに応じて項目をソートし、上位K項目を高いスコアでフィルタリングすることで、パーソナライズされたレコメンデーションを生成する。 このレコメンデーション手順にはソートやランキング項目が不可欠ですが、エンドツーエンドのモデルトレーニングのプロセスにそれらを組み込むのは簡単ではありません。 これにより、既存の学習目標とレコメンデータのランキングメトリクスの矛盾が生じる。 本稿では,この不整合を緩和し,ランキングメトリクスの微分緩和を利用してレコメンデーション性能を向上させるDRMを提案する。
  論文  参考訳（メタデータ） (2020-08-30T10:57:33Z)
• Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data [33.17802459749589]
  我々は,コールドスタートとデータ空間の問題を軽減するために,新しい深層学習に基づく統合型クロスネットワークソリューションを提案する。 提案手法は精度,ノベルティ,多様性の点で優れていることを示す。 人気の高いMovieLensデータセットを用いて行った実験から,提案手法が既存の最先端ランキング技術より優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-08-25T08:08:03Z)

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。