論文の概要: OKRA: an Explainable, Heterogeneous, Multi-Stakeholder Job Recommender System

• arxiv url: http://arxiv.org/abs/2504.07108v1
• Date: Mon, 17 Mar 2025 14:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 07:22:42.610259
• Title: OKRA: an Explainable, Heterogeneous, Multi-Stakeholder Job Recommender System
• Title（参考訳）: OKRA: 説明可能な、異質な、マルチステークホルダーのジョブレコメンダシステム
• Authors: Roan Schellingerhout, Francesco Barile, Nava Tintarev,
• Abstract要約: 本稿では,グラフニューラルネットワークを用いた新規なマルチステークホルダジョブレコメンデーションシステムを提案する。 提案手法は,候補側と企業側の両方のレコメンデーションを提供することができる。 2つのデータセットに対するnDCGの点から、OKRAは6つのベースラインよりも大幅に性能が良いことがわかった。
• 参考スコア（独自算出の注目度）: 2.373992571236766
• License:
• Abstract: The use of recommender systems in the recruitment domain has been labeled as 'high-risk' in recent legislation. As a result, strict requirements regarding explainability and fairness have been put in place to ensure proper treatment of all involved stakeholders. To allow for stakeholder-specific explainability, while also handling highly heterogeneous recruitment data, we propose a novel explainable multi-stakeholder job recommender system using graph neural networks: the Occupational Knowledge-based Recommender using Attention (OKRA). The proposed method is capable of providing both candidate- and company-side recommendations and explanations. We find that OKRA performs substantially better than six baselines in terms of nDCG for two datasets. Furthermore, we find that the tested models show a bias toward candidates and vacancies located in urban areas. Overall, our findings suggest that OKRA provides a balance between accuracy, explainability, and fairness.
• Abstract（参考訳）: 採用領域におけるレコメンドシステムの使用は、近年の法律では「ハイリスク」とラベル付けされている。 その結果、関係者全員の適切な待遇を確保するため、説明可能性と公正性に関する厳格な要件が課された。 利害関係者固有の説明可能性を実現するため、また、高度に異質な採用データを扱うとともに、グラフニューラルネットワークを用いた新規なマルチステークホルダー求人推薦システム(Occupational Knowledge-based Recommender using Attention (OKRA))を提案する。 提案手法は,候補側と企業側の両方の推薦と説明を行うことができる。 2つのデータセットに対するnDCGの点から、OKRAは6つのベースラインよりも大幅に性能が良いことがわかった。 さらに,テストモデルでは,都市部における候補と空洞に偏りがあることが判明した。 以上の結果から,OKRAは精度,説明可能性,公平性のバランスを保っていることが示唆された。

関連論文リスト

• Creating Healthy Friction: Determining Stakeholder Requirements of Job Recommendation Explanations [2.373992571236766]
  本研究では,現実的なタスクベースの複合設計ユーザスタディを用いて,説明可能なジョブレコメンデーションシステムの評価を行う。 実際の説明を利害関係者に提供することは意思決定のスピードと正確さを著しく向上させるものではない。
  論文  参考訳（メタデータ） (2024-09-24T11:03:17Z)
• Fair Reciprocal Recommendation in Matching Markets [0.8287206589886881]
  エージェント間の双方向のマッチング市場における相互推薦について検討する。 我々のモデルでは、双方の個人が互いに関心を抱いている場合にのみ、マッチが成功すると考えられる。 フェアディビジョン理論の観点から、そのフェアネス基準、うらやましい自由さを導入する。
  論文  参考訳（メタデータ） (2024-09-01T13:33:41Z)
• A Survey on Fairness-aware Recommender Systems [59.23208133653637]
  本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。 次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-06-01T07:08:22Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning [68.25805655688876]
  推薦者の公正さは、おそらく伝統的な推薦者によって引き起こされる偏見と差別によって、注目を集めている。 IRSにおける精度と公平性の長期的バランスを動的に維持するための強化学習ベースのフレームワークであるFairRecを提案する。 大規模な実験は、FairRecが優れたレコメンデーション品質を維持しながら、公正性を改善することを実証する。
  論文  参考訳（メタデータ） (2021-06-25T02:02:51Z)
• Online certification of preference-based fairness for personalized recommender systems [20.875347023588652]
  我々は,パーソナライズされたレコメンデーションシステムの公平さを,うらやみのない意味で評価する。 マルチアームバンドにおける純粋探索と保守的制約に基づく監査アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-29T17:45:27Z)
• DeepFair: Deep Learning for Improving Fairness in Recommender Systems [63.732639864601914]
  レコメンダーシステムにおけるバイアス管理の欠如は、少数派が不公平な勧告を受けることになる。 本稿では,ユーザの人口統計情報を知ることなく,公平さと正確さを最適なバランスで組み合わせたDeep Learningベースの協調フィルタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-09T13:39:38Z)
• 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)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。