論文の概要: Performative Debias with Fair-exposure Optimization Driven by Strategic Agents in Recommender Systems

• arxiv url: http://arxiv.org/abs/2406.17475v1
• Date: Tue, 25 Jun 2024 11:41:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 14:32:18.408188
• Title: Performative Debias with Fair-exposure Optimization Driven by Strategic Agents in Recommender Systems
• Title（参考訳）: ストラテジックエージェントによる公正露光最適化を用いたレコメンダシステムにおける変形性デビア
• Authors: Zhichen Xiang, Hongke Zhao, Chuang Zhao, Ming He, Jianping Fan,
• Abstract要約: 本稿では,戦略エージェントによって駆動される公正露光最適化を用いた動的設定における再ランク付け手法を提案する。 共同目標は、テールアイテムの視認性を高めながらレコメンデーションのパフォーマンスを確保することである。 提案手法の有効性と優位性を実証し,特にテールアイテムの可能性を明らかにするために検討した。
• 参考スコア（独自算出の注目度）: 12.913561033531249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data bias, e.g., popularity impairs the dynamics of two-sided markets within recommender systems. This overshadows the less visible but potentially intriguing long-tail items that could capture user interest. Despite the abundance of research surrounding this issue, it still poses challenges and remains a hot topic in academic circles. Along this line, in this paper, we developed a re-ranking approach in dynamic settings with fair-exposure optimization driven by strategic agents. Designed for the producer side, the execution of agents assumes content creators can modify item features based on strategic incentives to maximize their exposure. This iterative process entails an end-to-end optimization, employing differentiable ranking operators that simultaneously target accuracy and fairness. Joint objectives ensure the performance of recommendations while enhancing the visibility of tail items. We also leveraged the performativity nature of predictions to illustrate how strategic learning influences content creators to shift towards fairness efficiently, thereby incentivizing features of tail items. Through comprehensive experiments on both public and industrial datasets, we have substantiated the effectiveness and dominance of the proposed method especially on unveiling the potential of tail items.
• Abstract（参考訳）: データバイアス、例えば、人気はレコメンデーターシステム内の両側の市場のダイナミクスを損なう。 このことは、あまり目立たないが、ユーザーの興味をとらえるロングテールアイテムを覆い隠すことになる。 この問題を取り巻く研究が豊富にあるにもかかわらず、依然として課題を提起し、学術界ではホットな話題となっている。 そこで本稿では,戦略的エージェントによって駆動される公正な露光最適化による動的セッティングにおける階層的アプローチについて述べる。 プロデューサー側のために設計されたエージェントの実行は、コンテンツ制作者が露出を最大化するために戦略的インセンティブに基づいてアイテム機能を変更できると仮定する。 この反復処理はエンドツーエンドの最適化を伴い、精度と公正性を同時にターゲットとする微分可能なランキング演算子を使用する。 共同目標は、テールアイテムの視認性を高めながらレコメンデーションのパフォーマンスを確保することである。 また、予測の性能特性を活用して、戦略的学習がコンテンツクリエーターに効果的に公正性への転換にどう影響するかを示し、テールアイテムの特徴を動機づけた。 公立および工業用両方のデータセットに関する総合的な実験を通じて,提案手法の有効性と優位性を実証し,特にテールアイテムの可能性を明らかにする。

関連論文リスト

• Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
  調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。 調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
  論文  参考訳（メタデータ） (2024-10-31T07:19:22Z)
• FairDgcl: Fairness-aware Recommendation with Dynamic Graph Contrastive Learning [48.38344934125999]
  提案手法は,高品質なデータ拡張を実現し,コメンデーションフェアネスを改善する方法である。 具体的には,動的グラフ対逆学習フレームワークであるFairDgclを提案する。 FairDgclは、公正さと精度の両方を持つ拡張表現を同時に生成できることを示す。
  論文  参考訳（メタデータ） (2024-10-23T04:43:03Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Fairness Vs. Personalization: Towards Equity in Epistemic Utility [2.050345881732981]
  我々は、パーソナライゼーションと従来の公正化の実践との間にある緊張関係を解明する。 目標と実践的実装のマッピングと、主要なステークホルダー間のポリシー推奨の詳細を提供します。
  論文  参考訳（メタデータ） (2023-09-05T18:19:57Z)
• Managing multi-facet bias in collaborative filtering recommender systems [0.0]
  アイテムグループ間のバイアスドレコメンデーションは、システムに対するユーザの不満を引き起こすとともに、アイテムプロバイダの利益を脅かす可能性がある。 本研究の目的は,最先端の協調フィルタリング推薦アルゴリズムの出力における地理的起源と人気に関する新たなタイプの交叉バイアスを管理することである。 2つの実世界の映画と書籍のデータセットに関する大規模な実験は、アイテムの生産大陸に富んだものであり、提案アルゴリズムが精度と上記のバイアスの両タイプの間に合理的なバランスをとっていることを示している。
  論文  参考訳（メタデータ） (2023-02-21T10:06:01Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• Where is the Grass Greener? Revisiting Generalized Policy Iteration for Offline Reinforcement Learning [81.15016852963676]
  オフラインRL体制における最先端のベースラインを、公正で統一的で高分解能なフレームワークの下で再実装する。 与えられたベースラインが、スペクトルの一方の端で競合する相手よりも優れている場合、他方の端では決してしないことを示す。
  論文  参考訳（メタデータ） (2021-07-03T11:00:56Z)
• Incentivizing Exploration with Selective Data Disclosure [70.11902902106014]
  効率的な探索を促すレコメンデーションシステムを提案し設計する。 エージェントは順次到着し、固定されたが未知のアクション固有の分布から引き出されたアクションを選択し、報酬を受け取る。 フレキシブル・頻繁な行動モデルを用いた探索において,最適な後悔率が得られる。
  論文  参考訳（メタデータ） (2018-11-14T19:29:16Z)

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。