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

• arxiv url: http://arxiv.org/abs/2412.10674v2
• Date: Fri, 20 Dec 2024 05:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:21:00.577038
• 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

• 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)
• Exploiting Correlated Auxiliary Feedback in Parameterized Bandits [56.84649080789685]
  そこで本研究では,学習者が追加の補助的フィードバックを観察できるパラメータ化帯域問題の新たな変種について検討する。 補助的なフィードバックは、ユーザのサービス評価(リワード)を観察し、サービス提供時間(補助的なフィードバック)などの追加情報を収集するオンラインプラットフォームなど、多くの現実的なアプリケーションで容易に利用可能である。
  論文  参考訳（メタデータ） (2023-11-05T17:27:06Z)
• 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)
• On User-side Fairness in Negative Sampling for Recommender Systems [26.57812122315108]
  本研究では,非アクティブなユーザよりも,非アクティブなユーザに対して,非アクティブなネガティブサンプリング戦略をより正確に推奨することを示す。 グループ単位の負の比率設定を提案し、不活性なユーザに対して適切な小さい負の比率と、アクティブなユーザに対してより大きな負の比率を用いる。
  論文  参考訳（メタデータ） (2023-04-15T06:35:28Z)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
  本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。 本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。 実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
  論文  参考訳（メタデータ） (2021-09-13T15:02:55Z)
• 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)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• 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)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。