論文の概要: Uncertainty in Repeated Implicit Feedback as a Measure of Reliability

• arxiv url: http://arxiv.org/abs/2505.02492v1
• Date: Mon, 05 May 2025 09:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.626649
• Title: Uncertainty in Repeated Implicit Feedback as a Measure of Reliability
• Title（参考訳）: 信頼性の尺度としての繰り返し入射フィードバックの不確かさ
• Authors: Bruno Sguerra, Viet-Anh Tran, Romain Hennequin, Manuel Moussallam,
• Abstract要約: 暗黙的かつ明示的なフィードバックは、人間の相互作用の変動によってノイズを引き起こす。 協調フィルタリングでは、これらの信号がユーザとアイテムの類似性を決定するため、相互作用信号の信頼性が重要となる。 我々は,反復パターンがユーザの関心に影響を及ぼす重要な要因とどのように交わるかを分析し,関連する不確実性を定量化する手法を開発した。
• 参考スコア（独自算出の注目度）: 12.441205946216192
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems rely heavily on user feedback to learn effective user and item representations. Despite their widespread adoption, limited attention has been given to the uncertainty inherent in the feedback used to train these systems. Both implicit and explicit feedback are prone to noise due to the variability in human interactions, with implicit feedback being particularly challenging. In collaborative filtering, the reliability of interaction signals is critical, as these signals determine user and item similarities. Thus, deriving accurate confidence measures from implicit feedback is essential for ensuring the reliability of these signals. A common assumption in academia and industry is that repeated interactions indicate stronger user interest, increasing confidence in preference estimates. However, in domains such as music streaming, repeated consumption can shift user preferences over time due to factors like satiation and exposure. While literature on repeated consumption acknowledges these dynamics, they are often overlooked when deriving confidence scores for implicit feedback. This paper addresses this gap by focusing on music streaming, where repeated interactions are frequent and quantifiable. We analyze how repetition patterns intersect with key factors influencing user interest and develop methods to quantify the associated uncertainty. These uncertainty measures are then integrated as consistency metrics in a recommendation task. Our empirical results show that incorporating uncertainty into user preference models yields more accurate and relevant recommendations. Key contributions include a comprehensive analysis of uncertainty in repeated consumption patterns, the release of a novel dataset, and a Bayesian model for implicit listening feedback.
• Abstract（参考訳）: リコメンダシステムは、効果的なユーザとアイテムの表現を学ぶために、ユーザのフィードバックに大きく依存する。 広く採用されているにもかかわらず、これらのシステムのトレーニングに使用されるフィードバックに固有の不確実性には、限られた注意が向けられている。 暗黙のフィードバックと暗黙のフィードバックは、人間の相互作用の変動によってノイズを起こす傾向があり、暗黙のフィードバックは特に困難である。 協調フィルタリングでは、これらの信号がユーザとアイテムの類似性を決定するため、相互作用信号の信頼性が重要となる。 したがって、これらの信号の信頼性を確保するためには、暗黙のフィードバックから正確な信頼度を導出することが不可欠である。 アカデミックと産業における一般的な仮定は、反復的な相互作用はユーザーの興味を強く示し、嗜好推定の信頼性を高めることである。 しかし、音楽ストリーミングのようなドメインでは、繰り返し消費されることは、満足感や露出といった要因によって、時間の経過とともにユーザの好みを変える可能性がある。 繰り返し消費に関する文献はこれらのダイナミクスを認めているが、暗黙のフィードバックのために信頼スコアを導き出すと、しばしば見過ごされる。 本稿では、繰り返しの対話が頻繁に行われ、定量化される音楽ストリーミングに焦点を当てて、このギャップに対処する。 我々は,反復パターンがユーザの関心に影響を及ぼす重要な要因とどのように交わるかを分析し,関連する不確実性を定量化する手法を開発した。 これらの不確実性対策は、レコメンデーションタスクにおける整合性指標として統合される。 実験結果から,ユーザの嗜好モデルに不確実性を組み込むことで,より正確で適切なレコメンデーションが得られることが示された。 主なコントリビューションには、繰り返し消費パターンの不確実性に関する包括的な分析、新しいデータセットのリリース、暗黙のリスニングフィードバックのためのベイズモデルなどがある。

関連論文リスト

• Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
  ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。 本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:13:06Z)
• Hesitation and Tolerance in Recommender Systems [33.755867719862394]
  ためらいは広く、ユーザエクスペリエンスに大きな影響を与えています。 ユーザーが興味のないコンテンツにより多くの時間を費やすと、ネガティブな感情が生まれます。 我々は,寛容行動を示す信号を特定し,電子商取引と短ビデオプラットフォームの両方からのデータセットを分析した。
  論文  参考訳（メタデータ） (2024-12-13T08:14:10Z)
• 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)
• CFaiRLLM: Consumer Fairness Evaluation in Large-Language Model Recommender System [16.84754752395103]
  本研究は,Large Language Model (LLM) ベースのレコメンデータシステムにおける公平性評価に関する過去の研究に批判的な立場を取る。 CFaiRLLMは、真の嗜好アライメントを組み込むだけでなく、交叉フェアネスを厳格に検証する拡張評価フレームワークである。 CFaiRLLMの有効性を検証するため,MovieLensとLastFMを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-03-08T20:44:59Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。