論文の概要: AlignPxtr: Aligning Predicted Behavior Distributions for Bias-Free Video Recommendations

• arxiv url: http://arxiv.org/abs/2503.06920v2
• Date: Tue, 11 Mar 2025 04:32:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 12:20:09.182477
• Title: AlignPxtr: Aligning Predicted Behavior Distributions for Bias-Free Video Recommendations
• Title（参考訳）: AlignPxtr: バイアスフリービデオレコメンデーションのための予測行動分布の調整
• Authors: Chengzhi Lin, Chuyuan Wang, Annan Xie, Wuhong Wang, Ziye Zhang, Canguang Ruan, Yuancai Huang, Yongqi Liu,
• Abstract要約: ビデオレコメンデーションシステムでは、視聴時間、お気に入り、フォローなどのユーザの行動は、一般的にユーザーの興味を推測するために使用される。 本研究では,様々なバイアス条件にまたがる予測行動分布を量子マッピングを用いて整列する手法を提案する。 当社のアプローチは、長期のユーザ保持における大幅な改善と、平均アプリ使用時間の大幅な向上を一貫して達成しています。
• 参考スコア（独自算出の注目度）: 1.6187265914188775
• License:
• Abstract: In video recommendation systems, user behaviors such as watch time, likes, and follows are commonly used to infer user interest. However, these behaviors are influenced by various biases, including duration bias, demographic biases, and content category biases, which obscure true user preferences. In this paper, we hypothesize that biases and user interest are independent of each other. Based on this assumption, we propose a novel method that aligns predicted behavior distributions across different bias conditions using quantile mapping, theoretically guaranteeing zero mutual information between bias variables and the true user interest. By explicitly modeling the conditional distributions of user behaviors under different biases and mapping these behaviors to quantiles, we effectively decouple user interest from the confounding effects of various biases. Our approach uniquely handles both continuous signals (e.g., watch time) and discrete signals (e.g., likes, comments), while simultaneously addressing multiple bias dimensions. Additionally, we introduce a computationally efficient mean alignment alternative technique for practical real-time inference in large-scale systems. We validate our method through online A/B testing on two major video platforms: Kuaishou Lite and Kuaishou. The results demonstrate significant improvements in user engagement and retention, with \textbf{cumulative lifts of 0.267\% and 0.115\% in active days, and 1.102\% and 0.131\% in average app usage time}, respectively. The results demonstrate that our approach consistently achieves significant improvements in long-term user retention and substantial gains in average app usage time across different platforms. Our core code will be publised at https://github.com/justopit/CQE.
• Abstract（参考訳）: ビデオレコメンデーションシステムでは、視聴時間、お気に入り、フォローなどのユーザの行動は、一般的にユーザーの興味を推測するために使用される。 しかし、これらの行動は、期間バイアス、人口統計バイアス、コンテンツカテゴリーバイアスなど様々なバイアスの影響を受けており、これは真のユーザの嗜好を曖昧にしている。 本稿では,バイアスとユーザ関心が相互に独立しているという仮説を立てる。 この仮定に基づいて、量子化マッピングを用いて、予測された挙動分布を異なるバイアス条件で整列する手法を提案し、理論的にはバイアス変数と真のユーザ関心の相互情報をゼロに保証する。 異なるバイアス下でのユーザ行動の条件分布を明示的にモデル化し、それらの振る舞いを量子化にマッピングすることにより、ユーザの興味を様々なバイアスの相違する影響から効果的に分離する。 我々のアプローチは、連続的な信号(例えば、視聴時間)と離散的な信号(例えば、いいね、コメント)の両方を同時に扱うと同時に、複数のバイアス次元に対処する。 さらに,大規模システムにおける実時間推論のための計算効率のよい平均アライメント手法を提案する。 主要なビデオプラットフォームであるKuaishou LiteとKuaishouのオンラインA/Bテストを通じて,本手法の有効性を検証する。 その結果, ユーザエンゲージメントと保持率の大幅な向上がみられ, アクティブデイにおける‘textbf{cumulative lifts’は0.267\%, 0.115\%, 平均アプリ使用時間は1.102\%, 0.131\%であった。 その結果、当社のアプローチは、長期ユーザー維持における大幅な改善と、異なるプラットフォームにわたる平均アプリ使用時間の大幅な向上を一貫して達成していることが示された。 コアコードはhttps://github.com/justopit/CQE.comで公開されます。

関連論文リスト

• Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance [74.43264459255121]
  現実のシナリオでは、ユーザーは複数の関連するオプションを調べた後、1つまたは2つの結果だけをクリックします。 本稿では,ユーザが異なる検索結果リストをクリックする確率を捉えるために,クエリレベルのクリック確率モデルを提案する。 本手法では,2次元逆重み付け機構を導入し,相対飽和度と位置偏差に対処する。
  論文  参考訳（メタデータ） (2025-02-17T03:55:51Z)
• ALBAR: Adversarial Learning approach to mitigate Biases in Action Recognition [52.537021302246664]
  行動認識モデルは、しばしば背景バイアス(背景の手がかりに基づく行動の推測)と前景バイアス(主題の外観に依存する)に悩まされる。 本稿では,前景や背景のバイアスを,バイアス特性の専門知識を必要とせずに軽減する,新たな対人訓練手法であるALBARを提案する。 我々は,提案手法を確立された背景と前景のバイアスプロトコル上で評価し,新しい最先端のバイアスプロトコルを設定し,HMDB51では12%以上のデバイアス性能を向上した。
  論文  参考訳（メタデータ） (2025-01-31T20:47:06Z)
• 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)
• Debiased Model-based Interactive Recommendation [22.007617148466807]
  textbfidentible textbfDebiased textbfModel-based textbfInteractive textbfRecommendation(略してtextbfiDMIR)と呼ばれるモデルを開発する。 最初の欠点として、識別保証を伴う時間変化レコメンデーション生成プロセスの因果メカニズムに基づいて、偏見付き因果世界モデルを考案する。 第2の欠点として、偏りのある対照的な学習と一致し、サンプリングバイアスを避ける、偏りのある対照的な政策を考案する。
  論文  参考訳（メタデータ） (2024-02-24T14:10:04Z)
• Mitigating Representation Bias in Action Recognition: Algorithms and Benchmarks [76.35271072704384]
  ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。 この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。 偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:30:35Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• 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)

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。