論文の概要: The Role of Fake Users in Sequential Recommender Systems

• arxiv url: http://arxiv.org/abs/2410.09936v1
• Date: Sun, 13 Oct 2024 17:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:03:19.973069
• Title: The Role of Fake Users in Sequential Recommender Systems
• Title（参考訳）: シリーズレコメンダシステムにおけるフェイクユーザの役割
• Authors: Filippo Betello,
• Abstract要約: 本研究では,ランダムなインタラクション,人気アイテムや不人気アイテムのフォロー,ひとつのジャンルに着目した偽ユーザの存在が,シーケンスレコメンダシステム(SRS)の性能に与える影響を評価する。 NDCGのような従来の指標は比較的安定しているが、偽ユーザの存在はRSSメトリクスを著しく劣化させ、多くの場合、ほぼゼロの値に低下させる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Sequential Recommender Systems (SRSs) are widely used to model user behavior over time, yet their robustness remains an under-explored area of research. In this paper, we conduct an empirical study to assess how the presence of fake users, who engage in random interactions, follow popular or unpopular items, or focus on a single genre, impacts the performance of SRSs in real-world scenarios. We evaluate two SRS models across multiple datasets, using established metrics such as Normalized Discounted Cumulative Gain (NDCG) and Rank Sensitivity List (RLS) to measure performance. While traditional metrics like NDCG remain relatively stable, our findings reveal that the presence of fake users severely degrades RLS metrics, often reducing them to near-zero values. These results highlight the need for further investigation into the effects of fake users on training data and emphasize the importance of developing more resilient SRSs that can withstand different types of adversarial attacks.
• Abstract（参考訳）: SRS(Sequential Recommender Systems)は、時間とともにユーザの振る舞いをモデル化するために広く使われているが、その堅牢性は未調査の研究領域である。 本稿では,ランダムなインタラクションを行ない,人気ないし不人気なアイテムをフォローしたり,ひとつのジャンルに注目する偽ユーザの存在が,現実のシナリオにおけるSRSのパフォーマンスに与える影響を評価するための実証的研究を行う。 我々は,NDCGとRLS(Rand Sensitivity List)などの確立された指標を用いて,複数のデータセットにわたる2つのSRSモデルを評価した。 NDCGのような従来の指標は比較的安定しているが、偽ユーザの存在はRSSメトリクスを著しく劣化させ、多くの場合、ほぼゼロの値に低下させる。 これらの結果は、偽ユーザーによるトレーニングデータへの影響のさらなる調査の必要性を強調し、異なる種類の敵攻撃に耐えられるより回復力のあるSRSを開発することの重要性を強調している。

関連論文リスト

• Stop Playing the Guessing Game! Target-free User Simulation for Evaluating Conversational Recommender Systems [15.481944998961847]
  PEPPERは、実際のユーザインタラクション履歴とレビューから構築された、ターゲットフリーなユーザシミュレータによる評価プロトコルである。 PEPPERは、単純な推測ゲームに陥ることなく、現実的なユーザ-CRS対話を可能にする。 PEPPERは、CRSの嗜好誘発能力を包括的に評価するための詳細な尺度を提示する。
  論文  参考訳（メタデータ） (2024-11-25T07:36:20Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Guided Diffusion-based Counterfactual Augmentation for Robust Session-based Recommendation [11.890250056463914]
  セッションベースのレコメンデーション(SR)モデルは、現在のセッション中のユーザの振る舞いに基づいて、トップKアイテムをユーザに推奨することを目的としている。 文献ではいくつかのSRモデルが提案されているが、トレーニングデータの固有のバイアスに対する感受性に関する懸念が提起されている。 本稿では,SRのための拡散に基づく反ファクト拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T09:36:59Z)
• Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
  大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。 LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• A Reproducible Analysis of Sequential Recommender Systems [13.987953631479662]
  SequentialEnsurer Systems (SRS) はレコメンデーションシステムに対する高度に効率的なアプローチとして登場した。 既存の作品では、結果の複製性の欠点が示されており、論文間の矛盾した記述につながっている。 当社の作業は、データ前処理とモデル実装の標準化によって、これらのギャップを埋めます。
  論文  参考訳（メタデータ） (2024-08-07T16:23:29Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Investigating the Robustness of Sequential Recommender Systems Against Training Data Perturbations [9.463133630647569]
  有限ランク付けに適した拡張された類似度であるFinite Rank-Biased Overlap (FRBO)を紹介する。 時間的に順序付けられたシーケンス内の異なる位置におけるアイテムの削除の影響を実験的に検討する。 その結果、シーケンスの最後にアイテムを削除することは、統計的にパフォーマンスに有意な影響を及ぼすことが示された。
  論文  参考訳（メタデータ） (2023-07-24T23:26:46Z)
• When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation [56.98380787425388]
  シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。 SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。 産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T09:04:50Z)
• Accelerated Convergence for Counterfactual Learning to Rank [65.63997193915257]
  IPS重み付き勾配を持つSGD手法の収束速度は、IPS重みによる大きなばらつきに悩まされることを示す。 本稿では,従来のIPS重み付け勾配降下法よりも優れた収束性を有する新しい学習アルゴリズムであるCounterSampleを提案する。 我々は、CounterSampleがより早く収束し、理論的な結果と経験的な結果とを補完することを証明する。
  論文  参考訳（メタデータ） (2020-05-21T12:53:36Z)

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。