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

• arxiv url: http://arxiv.org/abs/2412.10674v3
• Date: Sat, 15 Feb 2025 08:31:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 17:33:39.077690
• 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, Yiri Wen, Bingfeng Deng, Hongyu Xiong,
• Abstract要約: 本稿では,レコメンデーションプラットフォーム上でのネガティブなユーザエクスペリエンスの制限を目的としたアプローチを提案する。 提案手法は,フィード内調査をユーザに配布し,ユーザからのフィードバックをモデル化し,モデル予測をレコメンデーションシステムに統合することに依存する。
• 参考スコア（独自算出の注目度）: 0.9950770451047565
• License:
• Abstract: Reducing negative user experiences is essential for the success of recommendation platforms. Exposing users to inappropriate content could not only adversely affect users' psychological well-beings, but also potentially drive users away from the platform, sabotaging the platform's long-term success. However, recommendation algorithms tend to weigh more heavily on positive feedback signals due to the scarcity of negative ones, which may result in the neglect of valuable negative user feedback. In this paper, we propose an approach aimed at limiting negative user experiences. Our method primarily relies on distributing in-feed surveys to the users, modeling the users' feedback collected from the survey, and integrating the model predictions into the recommendation system. We further enhance the baseline survey model by integrating the Learning Hidden Unit Contributions module and the Squeeze-and-Excitation module. In addition, we strive to resolve the problem of response Bias by applying a survey-submit model; The A/B testing results indicate a reduction in survey sexual rate and survey inappropriate rate, ranging from -1.44\% to -3.9\%. Additionally, we compared our methods against an online baseline that does not incorporate our approach. The results indicate that our approach significantly reduces the report rate and dislike rate by 1\% to 2.27\% compared to the baseline, confirming the effectiveness of our methods in enhancing user experience. After we launched the survey model based our approach on our platform, the model is able to bring reductions of 1.75\%, 2.57\%, 2.06\% on reports, dislikes, survey inappropriate rate, respectively.
• Abstract（参考訳）: レコメンデーションプラットフォームの成功には、ネガティブなユーザエクスペリエンスの削減が不可欠だ。 ユーザーを不適切なコンテンツにエクスポートすることは、ユーザーの心理的幸福に悪影響を及ぼすだけでなく、プラットフォームからユーザーを遠ざけ、プラットフォームの長期的な成功を阻害する可能性がある。 しかし、推奨アルゴリズムは、ネガティブなフィードバックが不足しているため、ポジティブなフィードバック信号に重きを置く傾向にあり、これは価値あるネガティブなフィードバックを無視する可能性がある。 本稿では,ネガティブなユーザ体験を制限するためのアプローチを提案する。 提案手法は,主にユーザへのフィード内調査の配布,ユーザからのフィードバックのモデル化,モデル予測のレコメンデーションシステムへの統合に頼っている。 学習隠れユニットコントリビューションモジュールとSqueeze-and-Excitationモジュールを統合することで,ベースラインサーベイモデルをさらに強化する。 さらに,A/Bテストの結果から,調査対象の性率と調査対象の不適切な割合が,-1.44\%から3.9\%の範囲で減少していることが示唆された。 さらに,我々の手法を,我々のアプローチを取り入れないオンラインベースラインと比較した。 その結果,本手法がユーザエクスペリエンス向上に有効であることを確認し,レポート率と嫌悪率をベースラインと比較して1\%から2.27\%に大幅に低減することが示された。 当社のプラットフォームをベースとした調査モデルを立ち上げてから,レポート,嫌悪,不適切な調査率について,それぞれ 1.75 %, 2.57 %, 2.06 % の削減を実現した。

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。