論文の概要: USM: Unbiased Survey Modeling for Limiting Negative User Experiences in Recommendation Systems

• arxiv url: http://arxiv.org/abs/2412.10674v1
• Date: Sat, 14 Dec 2024 04:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:02.340067
• Title: USM: Unbiased Survey Modeling for Limiting Negative User Experiences in Recommendation Systems
• Title（参考訳）: USM:レコメンデーションシステムにおける否定的ユーザエクスペリエンスの制限のための非バイアスサーベイモデル
• Authors: Chenghui Yu, Peiyi Li, Haoze Wu, Bingfeng Deng, Hongyu Xiong,
• Abstract要約: ネガティブなフィードバックシグナルは、コンテンツのレコメンデーションを守り、ユーザーエクスペリエンスを改善するために重要です。 ユーザがネガティブなフィードバックを表現できるオプションが限られているため、これらの信号はポジティブな信号に比べて疎いことが多い。 肯定的な信号に対する過度な信頼はフィルターバブルを生じさせ、ユーザーはすぐに好みに合うコンテンツに継続的に露出するが、長期的には有益ではないかもしれない。
• 参考スコア（独自算出の注目度）: 1.0543993804255443
• License:
• Abstract: Negative feedback signals are crucial to guardrail content recommendations and improve user experience. When these signals are effectively integrated into recommendation systems, they play a vital role in preventing the promotion of harmful or undesirable content, thereby contributing to a healthier online environment. However, the challenges associated with negative signals are noteworthy. Due to the limited visibility of options for users to express negative feedback, these signals are often sparse compared to positive signals. This imbalance can lead to a skewed understanding of user preferences, resulting in recommendations that prioritize short-term engagement over long-term satisfaction. Moreover, an over-reliance on positive signals can create a filter bubble, where users are continuously exposed to content that aligns with their immediate preferences but may not be beneficial in the long run. This scenario can ultimately lead to user attrition as audiences become disillusioned with the quality of the content provided. Additionally, existing user signals frequently fail to meet specific customized requirements, such as understanding the underlying reasons for a user's likes or dislikes regarding a video. This lack of granularity hinders our ability to tailor content recommendations effectively, as we cannot identify the particular attributes of content that resonate with individual users.
• Abstract（参考訳）: ネガティブなフィードバックシグナルは、コンテンツのレコメンデーションを守り、ユーザーエクスペリエンスを改善するために重要です。 これらの信号がレコメンデーションシステムに効果的に統合されると、有害または望ましくないコンテンツの促進を防ぎ、より健康なオンライン環境に寄与する上で重要な役割を果たす。 しかし、負のシグナルに関連する課題は注目に値する。 ユーザがネガティブなフィードバックを表現できるオプションが限られているため、これらの信号はポジティブな信号に比べて疎いことが多い。 この不均衡は、ユーザの好みの難解な理解につながる可能性があるため、長期的な満足度よりも短期的なエンゲージメントを優先するレコメンデーションが生まれる。 さらに、肯定的な信号に対する過度な信頼はフィルターバブルを生じさせ、ユーザーはすぐに好みに合うコンテンツに継続的に露出するが、長期的には有益ではないかもしれない。 このシナリオは、提供されたコンテンツの品質に観客が幻滅するにつれて、最終的にはユーザの誘惑につながる可能性がある。 さらに、既存のユーザ信号は、ユーザの好きな理由やビデオに対する嫌悪など、特定のカスタマイズされた要件を満たすことができないことが多い。 この粒度の欠如は、個々のユーザーと共鳴するコンテンツの特定の属性を特定することができないため、コンテンツレコメンデーションを効果的に調整する能力を妨げます。

関連論文リスト

• Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence [54.13541697801396]
  我々は,PRSN(Proactive Recommendation in Social Networks)という新しいタスクを提案する。 PRSNは、社会的隣人の影響力を生かして、間接的に利用者の関心を喚起する。 本稿では,2つの主要なモジュールを持つNighbor Interference Recommendation (NIRec) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-13T15:53:40Z)
• Negative Sampling in Recommendation: A Survey and Future Directions [43.11318243903388]
  ネガティブサンプリングは、ユーザの行動に固有の真のネガティブな側面を明らかにすることに熟練している。 我々は、既存のネガティブサンプリング戦略に関する広範な文献レビューを行い、推奨する。 多様なレコメンデーションシナリオにおいて、最適化されたネガティブサンプリング戦略の洞察について詳述する。
  論文  参考訳（メタデータ） (2024-09-11T12:48:52Z)
• Modeling User Retention through Generative Flow Networks [34.74982897470852]
  フローベースのモデリング技術は、ユーザセッションで推奨される各項目に対する保持報酬をバックプロパガントすることができる。 従来の学習目標と組み合わされたフローは、最終的には、即時フィードバックとユーザ保持の両方に対して、非カウントの累積報酬を最適化した。
  論文  参考訳（メタデータ） (2024-06-10T06:22:18Z)
• 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)
• Learning from Negative User Feedback and Measuring Responsiveness for Sequential Recommenders [13.762960304406016]
  シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。 大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-23T17:16:07Z)
• The Amplification Paradox in Recommender Systems [12.723777984461693]
  シミュレーションを通して、レコメンデータシステムの協調フィルタリングの性質と極度のコンテンツのニッチさが明らかにパラドックスを解消できることを示す。 提案手法は,「アルゴリズム増幅の微妙な解釈」であり,レコメンデータシステムの監査において,利用者にコンテンツの有用性をモデル化することの重要性を強調したものである。
  論文  参考訳（メタデータ） (2023-02-22T09:12:48Z)
• Recommending to Strategic Users [10.079698681921673]
  ユーザーは、将来推奨されるコンテンツの種類に影響を与えるために、戦略的にコンテンツを選択する。 本稿では,戦略的消費を考慮した推奨品質向上のための3つの介入を提案する。
  論文  参考訳（メタデータ） (2023-02-13T17:57:30Z)
• Explainability in Music Recommender Systems [69.0506502017444]
  音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。 本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
  論文  参考訳（メタデータ） (2022-01-25T18:32:11Z)
• 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)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)

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。