論文の概要: Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint
- arxiv url: http://arxiv.org/abs/2412.19172v1
- Date: Thu, 26 Dec 2024 11:06:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:24:15.783999
- Title: Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint
- Title（参考訳）: 人気度を意識した勧告に向けて--直交制約を伴うマルチビヘイビア強化フレームワーク
- Authors: Yishan Han, Biao Xu, Yao Wang, Shanxing Gao,
- Abstract要約: Top-K$レコメンデーションは、潜伏したユーザの好みを推測し、パーソナライズされたレコメンデーションを生成する。
マルチビヘイビアのtextbfSide textbfInformation を統合した textbfPopularity-aware top-$K$レコメンデーションアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 4.137753517504481
- License:
- Abstract: Top-$K$ recommendation involves inferring latent user preferences and generating personalized recommendations accordingly, which is now ubiquitous in various decision systems. Nonetheless, recommender systems usually suffer from severe \textit{popularity bias}, leading to the over-recommendation of popular items. Such a bias deviates from the central aim of reflecting user preference faithfully, compromising both customer satisfaction and retailer profits. Despite the prevalence, existing methods tackling popularity bias still have limitations due to the considerable accuracy-debias tradeoff and the sensitivity to extensive parameter selection, further exacerbated by the extreme sparsity in positive user-item interactions. In this paper, we present a \textbf{Pop}ularity-aware top-$K$ recommendation algorithm integrating multi-behavior \textbf{S}ide \textbf{I}nformation (PopSI), aiming to enhance recommendation accuracy and debias performance simultaneously. Specifically, by leveraging multiple user feedback that mirrors similar user preferences and formulating it as a three-dimensional tensor, PopSI can utilize all slices to capture the desiring user preferences effectively. Subsequently, we introduced a novel orthogonality constraint to refine the estimated item feature space, enforcing it to be invariant to item popularity features thereby addressing our model's sensitivity to popularity bias. Comprehensive experiments on real-world e-commerce datasets demonstrate the general improvements of PopSI over state-of-the-art debias methods with a marginal accuracy-debias tradeoff and scalability to practical applications. The source code for our algorithm and experiments is available at \url{https://github.com/Eason-sys/PopSI}.
- Abstract（参考訳）: Top-K$レコメンデーションは、潜在ユーザの好みを推測し、パーソナライズされたレコメンデーションを生成する。
それでも、レコメンダシステムは通常、厳しい \textit{popularity bias} に悩まされ、人気アイテムの過剰な推奨につながります。
このようなバイアスは、ユーザの好みを忠実に反映し、顧客満足度と小売業者の利益を両立させるという中心的な目的から逸脱する。
流行にもかかわらず、人気バイアスに対処する既存の手法は、かなりの精度とデバイアスのトレードオフと広範囲なパラメータ選択に対する感度のために制限があり、さらにポジティブなユーザ・イテム相互作用の極端な間隔によってさらに悪化する。
本稿では,マルチビヘイビア \textbf{S}ide \textbf{I}nformation (PopSI) を統合し,レコメンデーション精度とデバイアス性能を同時に向上する。
具体的には、類似したユーザの好みを反映し、それを3次元テンソルとして定式化する複数のユーザフィードバックを活用することで、PopSIはすべてのスライスを利用して、望まれるユーザの好みを効果的に捉えることができる。
その後、推定項目の特徴空間を洗練させる新しい直交制約を導入し、アイテムの人気特徴に不変であるように強制することで、モデルが人気バイアスに敏感であることに対処する。
実世界のeコマースデータセットに関する総合的な実験は、最先端のデバイアス法に対するPopSIの一般的な改善を、限界精度のデバイアストレードオフと実用アプリケーションへのスケーラビリティで実証している。
アルゴリズムと実験のソースコードは \url{https://github.com/Eason-sys/PopSI} で公開されている。
関連論文リスト
- Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳（メタデータ） (2024-10-17T01:02:04Z) - Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-09T04:20:15Z) - Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。
項目と評価値の双方に影響される多因子選択バイアスについて検討する。
分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T12:18:21Z) - Ranking with Popularity Bias: User Welfare under Self-Amplification
Dynamics [19.59766711993837]
本稿では,アイテムの人気度,商品品質,位置バイアスがユーザの選択に影響を与える一般的なメカニズムを提案し,理論的に分析する。
人気度の高い推薦者は,商品の品質と人気を混同することで,線形後悔を誘発することを示す。
論文 参考訳（メタデータ） (2023-05-24T22:38:19Z) - Generating Self-Serendipity Preference in Recommender Systems for
Addressing Cold Start Problems [9.281057513518498]
セレンディピティー指向のレコメンデーションシステムは,ユーザの自己セレンディピティー嗜好を生成し,レコメンデーション性能を高める。
モデルは、ユーザの興味や満足度を抽出し、仮想的だが信じがたい隣人の好みを自己から生成し、自己セレンディピティーの好みを達成する。
論文 参考訳（メタデータ） (2022-04-27T01:29:47Z) - 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) - Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。
我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文 参考訳（メタデータ） (2021-06-15T06:59:53Z) - 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) - User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。
本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。
ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2021-03-10T22:12:51Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。