論文の概要: Counterfactual Inference for Eliminating Sentiment Bias in Recommender Systems

• arxiv url: http://arxiv.org/abs/2505.03655v1
• Date: Tue, 06 May 2025 16:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.464752
• Title: Counterfactual Inference for Eliminating Sentiment Bias in Recommender Systems
• Title（参考訳）: リコメンダシステムにおけるセンチメントバイアス除去のための因果推論
• Authors: Le Pan, Yuanjiang Cao, Chengkai Huang, Wenjie Zhang, Lina Yao,
• Abstract要約: 感情バイアスと呼ばれる新たに発見されたバイアスは、レビューベースのRSに共通する現象を明らかにする。 この問題を,2段階の反実的推論の観点から検討する。 我々の知る限りでは、RSの感情バイアス軽減に関する反実的推論を最初に採用するのはこれが初めてである。
• 参考スコア（独自算出の注目度）: 15.453331775372908
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recommender Systems (RSs) aim to provide personalized recommendations for users. A newly discovered bias, known as sentiment bias, uncovers a common phenomenon within Review-based RSs (RRSs): the recommendation accuracy of users or items with negative reviews deteriorates compared with users or items with positive reviews. Critical users and niche items are disadvantaged by such unfair recommendations. We study this problem from the perspective of counterfactual inference with two stages. At the model training stage, we build a causal graph and model how sentiment influences the final rating score. During the inference stage, we decouple the direct and indirect effects to mitigate the impact of sentiment bias and remove the indirect effect using counterfactual inference. We have conducted extensive experiments, and the results validate that our model can achieve comparable performance on rating prediction for better recommendations and effective mitigation of sentiment bias. To the best of our knowledge, this is the first work to employ counterfactual inference on sentiment bias mitigation in RSs.
• Abstract（参考訳）: Recommender Systems(RS)は、ユーザにパーソナライズされたレコメンデーションを提供することを目的としている。 感情バイアスとして知られる新たに発見されたバイアスは、レビューベースのRS(RRSs)で共通する現象を明らかにしている。 批判的なユーザーとニッチなアイテムは、このような不公平なレコメンデーションによって不利になる。 この問題を,2段階の反実的推論の観点から検討する。 モデルトレーニングの段階では、因果グラフを構築し、感情が最終的な評価スコアに与える影響をモデル化する。 推論段階では、直接的および間接的効果を分離し、感情バイアスの影響を緩和し、反事実推論を用いて間接的効果を除去する。 その結果,評価モデルが評価予測に匹敵する性能を達成できることを示すとともに,より優れたレコメンデーションと感情バイアスの効果的緩和を図った。 我々の知る限りでは、RSにおける感情バイアスの軽減に関する反実的推論を採用するのはこれが初めてである。

関連論文リスト

• Pairwise or Pointwise? Evaluating Feedback Protocols for Bias in LLM-Based Evaluation [57.380464382910375]
  フィードバックプロトコルの選択が評価信頼性に大きく影響し,系統的バイアスを生じさせることを示す。 特に、ペアワイズ評価プロトコルは、不注意な評価に対してより脆弱であることを示す。
  論文  参考訳（メタデータ） (2025-04-20T19:05:59Z)
• Correcting for Popularity Bias in Recommender Systems via Item Loss Equalization [1.7771454131646311]
  人気アイテムの小さなセットが、高い相互作用率のために推奨結果を支配している。 この現象は、ニッチな興味のある人を無視しながら、メインストリームの趣味を持つユーザーに不当に利益をもたらす。 本稿では,推薦モデルのトレーニングプロセスに介入することで,この問題に対処するプロセス内アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:34:18Z)
• Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems [142.3424649008479]
  歴史的相互作用の不均一な分布とレコメンダモデルのバイアス付きトレーニングを示す。 デバイアスドトレーニングの鍵は、ユーザの過去の行動と次の行動の両方に影響を与える共同創設者の影響を取り除くことである。 本稿では,非保守的共同設立者に対応するために,因果多教師蒸留フレームワーク(CausalD)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T05:31:00Z)
• 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)
• 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)
• 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)
• Online Evaluation Methods for the Causal Effect of Recommendations [0.20305676256390934]
  本稿では, 因果効果の観点から, 推薦モデルを効率的に比較できる最初のインターリービング手法を提案する。 両項目の成果をインターリーブ付きリストとインターリーブ付きリストに含まない項目で測定する。 次に、シミュレーションオンライン実験により、オンライン評価手法の非バイアス性と効率性を検証する。
  論文  参考訳（メタデータ） (2021-07-14T12:12:59Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)

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。