論文の概要: Multi-Cause Deconfounding for Recommender Systems with Latent Confounders

• arxiv url: http://arxiv.org/abs/2410.12366v1
• Date: Wed, 16 Oct 2024 08:37:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:03:11.599695
• Title: Multi-Cause Deconfounding for Recommender Systems with Latent Confounders
• Title（参考訳）: ラテント・コンソーシアムを用いたレコメンダシステムのためのマルチケース・デコンペンディング
• Authors: Zhirong Huang, Shichao Zhang, Debo Cheng, Jiuyong Li, Lin Liu, Guixian Zhang,
• Abstract要約: 潜伏要因は、ユーザーの行動、アイテムの露出、フィードバックに異なる方法で影響を及ぼす可能性がある。 既存のメソッドは、ユーザとフィードバックの間の潜伏した共同創設者を説明できない。 提案手法は,既存共同設立者によるリコメンデータシステムのためのマルチファインデコンウンディング手法を提案する。
• 参考スコア（独自算出の注目度）: 20.559573838679853
• License:
• Abstract: In recommender systems, various latent confounding factors (e.g., user social environment and item public attractiveness) can affect user behavior, item exposure, and feedback in distinct ways. These factors may directly or indirectly impact user feedback and are often shared across items or users, making them multi-cause latent confounders. However, existing methods typically fail to account for latent confounders between users and their feedback, as well as those between items and user feedback simultaneously. To address the problem of multi-cause latent confounders, we propose a multi-cause deconfounding method for recommender systems with latent confounders (MCDCF). MCDCF leverages multi-cause causal effect estimation to learn substitutes for latent confounders associated with both users and items, using user behaviour data. Specifically, MCDCF treats the multiple items that users interact with and the multiple users that interact with items as treatment variables, enabling it to learn substitutes for the latent confounders that influence the estimation of causality between users and their feedback, as well as between items and user feedback. Additionally, we theoretically demonstrate the soundness of our MCDCF method. Extensive experiments on three real-world datasets demonstrate that our MCDCF method effectively recovers latent confounders related to users and items, reducing bias and thereby improving recommendation accuracy.
• Abstract（参考訳）: レコメンデーションシステムでは、様々な潜伏要因(例えば、ユーザ社会環境やアイテムの公共魅力)が、ユーザーの行動、アイテムの露出、フィードバックに異なる方法で影響を及ぼす可能性がある。 これらの要因はユーザからのフィードバックに直接的あるいは間接的に影響を与え、アイテムやユーザ間で頻繁に共有される。 しかし、既存の手法は、通常、ユーザと彼らのフィードバック、およびアイテムとユーザからのフィードバックを同時に考慮しない。 潜在共同設立者(MCDCF)によるレコメンデータシステムのための多因分解手法を提案する。 MCDCFは、ユーザ行動データを使用して、ユーザとアイテムの両方に関連する潜在的共同創設者の代替品を学ぶために、多因因果効果推定を利用する。 具体的には、MCDCFは、ユーザが対話する複数のアイテムと、アイテムと対話する複数のユーザを治療変数として扱い、ユーザとフィードバック間の因果関係や、アイテムとユーザフィードバックの間の因果関係の見積に影響を与える、潜伏した共同創設者の代替品を学習できるようにする。 さらに,MCDCF法の音響性についても理論的に検証した。 3つの実世界のデータセットに対する大規模な実験により、我々のMCDCF法は、ユーザやアイテムに関連する潜在的共同創設者を効果的に回収し、バイアスを低減し、レコメンデーション精度を向上することを示した。

関連論文リスト

• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement [5.734747179463411]
  MIDCL(Multi-Intention Disentanglement)に基づくコントラスト学習シーケンシャルレコメンデーション手法を提案する。 私たちの仕事では、意図は動的で多様なものとして認識され、ユーザの振る舞いは、しばしば現在のマルチインテンションによって駆動されます。 本稿では,最も関連性の高いユーザの対話的意図の探索と,正のサンプル対の相互情報の最大化のための2種類のコントラスト学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-28T15:13:36Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation [6.522900133742931]
  マルチ行動レコメンデーションは、ビュー、カートの追加、購入など、さまざまな行動に基づいたより正確な選択を提供する。 本稿では,KAMCL(Knowledge-Aware Multi-Intent Contrastive Learning)モデルを提案する。 このモデルは、インテントを構築するために知識グラフ内の関係を利用し、より正確なレコメンデーションを達成するためのインテントの観点から、ユーザのマルチビヘイビア間の接続をマイニングすることを目的としている。
  論文  参考訳（メタデータ） (2024-04-18T08:39:52Z)
• Causal Structure Representation Learning of Confounders in Latent Space for Recommendation [6.839357057621987]
  ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。 我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
  論文  参考訳（メタデータ） (2023-11-02T08:46:07Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Deconfounded Causal Collaborative Filtering [56.41625001876272]
  推薦システムは、様々な種類の共起因子(共同設立者とも呼ばれる)によって構成される。 本稿では,この問題を解決するために,Decon founded Causal Collaborative Filtering (DCCF)を提案する。 当社の手法は、保守されていない共同ファウンダーを非難して、より良いレコメンデーションパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-10-14T02:23:33Z)
• Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering [23.568264786920793]
  推薦システムの主な課題は、ユーザを異質な味でモデル化し、説明可能なレコメンデーションを提供することである。 両問題の統一解として,ニューラル・アテンテーティブ・マルチペソナ協調フィルタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-26T11:52:57Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)

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。