論文の概要: Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method
- arxiv url: http://arxiv.org/abs/2408.09748v1
- Date: Mon, 19 Aug 2024 07:21:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 17:24:19.915310
- Title: Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method
- Title(参考訳): 相互レコメンダシステムの再検討:メトリクス、定式化、方法
- Authors: Chen Yang, Sunhao Dai, Yupeng Hou, Wayne Xin Zhao, Jun Xu, Yang Song, Hengshu Zhu,
- Abstract要約: RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。
因果的観点からRSを定式化し、二元的介入として勧告を定式化する。
提案手法では,結果の一致を最大化する手法を提案する。
- 参考スコア(独自算出の注目度): 60.364834418531366
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reciprocal recommender systems~(RRS), conducting bilateral recommendations between two involved parties, have gained increasing attention for enhancing matching efficiency. However, the majority of existing methods in the literature still reuse conventional ranking metrics to separately assess the performance on each side of the recommendation process. These methods overlook the fact that the ranking outcomes of both sides collectively influence the effectiveness of the RRS, neglecting the necessity of a more holistic evaluation and a capable systemic solution. In this paper, we systemically revisit the task of reciprocal recommendation, by introducing the new metrics, formulation, and method. Firstly, we propose five new evaluation metrics that comprehensively and accurately assess the performance of RRS from three distinct perspectives: overall coverage, bilateral stability, and balanced ranking. These metrics provide a more holistic understanding of the system's effectiveness and enable a comprehensive evaluation. Furthermore, we formulate the RRS from a causal perspective, formulating recommendations as bilateral interventions, which can better model the decoupled effects of potential influencing factors. By utilizing the potential outcome framework, we further develop a model-agnostic causal reciprocal recommendation method that considers the causal effects of recommendations. Additionally, we introduce a reranking strategy to maximize matching outcomes, as measured by the proposed metrics. Extensive experiments on two real-world datasets from recruitment and dating scenarios demonstrate the effectiveness of our proposed metrics and approach. The code and dataset are available at: https://github.com/RUCAIBox/CRRS.
- Abstract(参考訳): 相互レコメンデーションシステム~(RRS)は、両者の双方のレコメンデーションを行うもので、マッチング効率の向上に注目が集まっている。
しかし、文献における既存の手法の大部分は、従来のランク付け基準を再利用してレコメンデーションプロセスの各側面のパフォーマンスを別々に評価している。
これらの手法は、両者のランキング結果がRSSの有効性に一括して影響を及ぼし、より包括的評価と有能な体系解の必要性を無視しているという事実を見落としている。
本稿では,新たなメトリクス,定式化,方法を導入することで,相互レコメンデーションの課題を体系的に再考する。
まず,3つの異なる視点からRSSの性能を総合的かつ正確に評価する5つの新しい評価指標を提案する。
これらのメトリクスは、システムの有効性をより包括的に理解し、包括的な評価を可能にする。
さらに、因果的観点からRSを定式化し、二元的介入として勧告を定式化し、潜在的影響因子の疎結合効果をより良くモデル化する。
潜在的な結果の枠組みを利用することで,提案手法の因果効果を考慮したモデルに依存しない因果関係のレコメンデーション手法をさらに発展させる。
また,提案手法では,結果の一致を最大化するための評価戦略を提案する。
採用シナリオとデートシナリオから得られた2つの実世界のデータセットに対する大規模な実験は、提案したメトリクスとアプローチの有効性を実証する。
コードとデータセットは、https://github.com/RUCAIBox/CRRS.comで公開されている。
関連論文リスト
- Joint Evaluation of Fairness and Relevance in Recommender Systems with Pareto Frontier [12.013380880264439]
推薦システム(RS)における公正性と妥当性を共同評価するための新しいアプローチを提案する。
我々のアプローチはモジュラーで直感的であり、既存の測度で計算できる。
4つのRSモデル、3つの再ランク戦略、6つのデータセットによる実験は、既存のメトリクスがソリューションと矛盾していることを示している。
論文 参考訳(メタデータ) (2025-02-17T15:33:28Z) - 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) - Top-K Pairwise Ranking: Bridging the Gap Among Ranking-Based Measures for Multi-Label Classification [120.37051160567277]
本稿では,Top-K Pairwise Ranking(TKPR)という新しい尺度を提案する。
一連の分析により、TKPRは既存のランキングベースの尺度と互換性があることが示されている。
一方,データ依存縮約法という新しい手法に基づいて,提案手法の急激な一般化を確立する。
論文 参考訳(メタデータ) (2024-07-09T09:36:37Z) - A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。
軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。
本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
論文 参考訳(メタデータ) (2024-06-25T07:45:00Z) - Behavior Alignment: A New Perspective of Evaluating LLM-based Conversational Recommender Systems [1.652907918484303]
大言語モデル (LLM) は対話型レコメンダシステム (CRS) において大きな可能性を証明している。
LLMは、しばしば柔軟で受動的に見え、十分な調査なしに推奨タスクを完了するために急いでいる。
この振る舞いの不一致は、推奨の精度を低下させ、ユーザの満足度を低下させる可能性がある。
論文 参考訳(メタデータ) (2024-04-17T21:56:27Z) - Towards a Theoretical Understanding of Two-Stage Recommender Systems [0.5439020425819]
プロダクショングレードのレコメンダシステムは、Netflix、Pinterest、Amazonなど、オンラインメディアサービスで使用されている大規模なコーパスに大きく依存している。
最適なレコメンデータシステムに強い収束をもたらす2段階レコメンデータの挙動について検討する。
本研究では,2段階のレコメンデータが,商品の属性や属性が評価に与える影響をカプセル化できることを数値的に示す。
論文 参考訳(メタデータ) (2024-02-23T21:11:55Z) - A Comprehensive Survey of Evaluation Techniques for Recommendation
Systems [0.0]
本稿では,システム性能の異なる側面を捉えた,総合的なメトリクススイートを紹介する。
私たちは、現在の評価プラクティスの長所と短所を特定し、さまざまなメトリクスにまたがってレコメンデーションシステムを最適化するときに現れる、微妙なトレードオフを強調します。
論文 参考訳(メタデータ) (2023-12-26T11:57:01Z) - 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) - Choosing the Best of Both Worlds: Diverse and Novel Recommendations
through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。
SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。
実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文 参考訳(メタデータ) (2021-10-28T13:22:45Z) - Adversarial Counterfactual Learning and Evaluation for Recommender
System [33.44276155380476]
ユーザ嗜好を検出するために教師付き学習を適用することは、露出情報がない場合に矛盾する結果になる可能性があることを理論的に示す。
ミニマックス経験的リスクの定式化を導入することにより, 基本解を提案する。
論文 参考訳(メタデータ) (2020-11-08T00:40:51Z)
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。