論文の概要: Investigating Popularity Bias Amplification in Recommender Systems Employed in the Entertainment Domain

• arxiv url: http://arxiv.org/abs/2504.04752v1
• Date: Mon, 07 Apr 2025 05:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:08:41.371181
• Title: Investigating Popularity Bias Amplification in Recommender Systems Employed in the Entertainment Domain
• Title（参考訳）: エンタテインメントドメインにおけるレコメンダシステムにおける人気バイアス増幅の検討
• Authors: Dominik Kowald,
• Abstract要約: 本研究は,エンターテイメント分野における推薦システムにおける人気バイアスの増幅に関する研究をまとめたものである。 商品の推薦頻度が人気と正の相関があることを実証する。 我々は,推薦精度,アルゴリズムの校正品質,人気バイアス増幅の関連性をよりよく理解することを目的としている。
• 参考スコア（独自算出の注目度）: 0.19036571490366497
• License:
• Abstract: Recommender systems have become an integral part of our daily online experience by analyzing past user behavior to suggest relevant content in entertainment domains such as music, movies, and books. Today, they are among the most widely used applications of AI and machine learning. Consequently, regulations and guidelines for trustworthy AI, such as the European AI Act, which addresses issues like bias and fairness, are highly relevant to the design, development, and evaluation of recommender systems. One particularly important type of bias in this context is popularity bias, which results in the unfair underrepresentation of less popular content in recommendation lists. This work summarizes our research on investigating the amplification of popularity bias in recommender systems within the entertainment sector. Analyzing datasets from three entertainment domains, music, movies, and anime, we demonstrate that an item's recommendation frequency is positively correlated with its popularity. As a result, user groups with little interest in popular content receive less accurate recommendations compared to those who prefer widely popular items. Furthermore, we aim to better understand the connection between recommendation accuracy, calibration quality of algorithms, and popularity bias amplification.
• Abstract（参考訳）: 音楽,映画,書籍などのエンターテイメント分野の関連コンテンツを提案するために,過去のユーザ行動を分析することで,レコメンダシステムは私たちの日常的なオンライン体験の不可欠な部分となっている。 現在、これらはAIと機械学習の最も広く使われている応用の1つである。 その結果、バイアスや公平性といった問題に対処する欧州AI法のような信頼できるAIのための規制とガイドラインは、推奨システムの設計、開発、評価に非常に関係している。 この文脈における特に重要なバイアスの1つは、人気バイアスであり、レコメンデーションリストであまり人気のないコンテンツの不公平な表現をもたらす。 本研究は,エンターテイメント分野における推薦システムにおける人気バイアスの増幅に関する研究をまとめたものである。 3つのエンターテイメント分野、音楽、映画、アニメのデータセットを分析し、商品の推薦頻度が人気と正の相関関係があることを実証した。 その結果、人気コンテンツへの関心がほとんどないユーザグループは、人気のあるアイテムを好むユーザに比べて、精度の低いレコメンデーションを受けることができた。 さらに、推薦精度、アルゴリズムの校正品質、人気バイアス増幅の関連性をよりよく理解することを目的とする。

関連論文リスト

• Large Language Models as Recommender Systems: A Study of Popularity Bias [46.17953988777199]
  人気アイテムは不釣り合いに推奨され、あまり人気がないが、潜在的に関連のあるアイテムを誇張している。 近年,汎用大規模言語モデルのレコメンデーションシステムへの統合が進んでいる。 本研究は,LLMがレコメンデーションシステムにおける人気バイアスに寄与するか否かを検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:53:37Z)
• A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
  選好選好における選好バイアスの影響について検討した。 大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。 本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-05-01T14:56:56Z)
• 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)
• Metrics for popularity bias in dynamic recommender systems [0.0]
  バイアスドレコメンデーションは個人、敏感なユーザーグループ、社会に悪影響を及ぼす可能性のある決定につながる可能性がある。 本稿では,RecSysモデルの出力から直接発生する人気バイアスの定量化に着目する。 RescSysにおける人気バイアスを時間とともに定量化するための4つの指標が提案されている。
  論文  参考訳（メタデータ） (2023-10-12T16:15:30Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• A Survey on Popularity Bias in Recommender Systems [5.952279576277445]
  本稿では、人気バイアスの潜在的な原因について論じ、リコメンダシステムにおける人気バイアスを検出し、緩和し、定量化するための既存のアプローチをレビューする。 本稿では,主に計算実験に基づく研究であり,推奨項目に長期的項目を含めることの実践的効果について,特定の仮定を前提として,今日の文献を批判的に論じる。
  論文  参考訳（メタデータ） (2023-08-02T12:58:11Z)
• Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
  既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。 我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。 我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
  論文  参考訳（メタデータ） (2022-06-26T12:07:56Z)
• The Unfairness of Popularity Bias in Book Recommendation [0.0]
  人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。 本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。 以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
  論文  参考訳（メタデータ） (2022-02-27T20:21:46Z)
• An Adaptive Boosting Technique to Mitigate Popularity Bias in Recommender System [1.5800354337004194]
  一般的な精度尺度は人気項目に偏りがあり、非人気項目と比較して人気項目の精度が向上する。 本稿では,人気項目と非人気項目の誤りの差として,人気バイアスを測定する指標について考察する。 そこで本研究では,データ中の人気バイアスを低減させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-13T03:04:55Z)

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。