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

• 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。