論文の概要: Producer-Fairness in Sequential Bundle Recommendation

• arxiv url: http://arxiv.org/abs/2506.20329v1
• Date: Wed, 25 Jun 2025 11:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.711331
• Title: Producer-Fairness in Sequential Bundle Recommendation
• Title（参考訳）: シーケンスバンドルレコメンデーションにおけるプロデューサ・フェールネス
• Authors: Alexandre Rio, Marta Soare, Sihem Amer-Yahia,
• Abstract要約: 我々は、レコメンデーションセッションにおいて、ユーザ間で異なるアイテムグループに望ましい露出を実現するために、プロデューサフェールネスを形式化する。 この問題の小さな事例に対処する正確な解決策を提案する。 次に、品質優先と公平優先の2点と、バンドルの公平性と品質の適切なバランスをオンザフライで決定する適応的変種について検討する。
• 参考スコア（独自算出の注目度）: 62.22091013241362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address fairness in the context of sequential bundle recommendation, where users are served in turn with sets of relevant and compatible items. Motivated by real-world scenarios, we formalize producer-fairness, that seeks to achieve desired exposure of different item groups across users in a recommendation session. Our formulation combines naturally with building high quality bundles. Our problem is solved in real time as users arrive. We propose an exact solution that caters to small instances of our problem. We then examine two heuristics, quality-first and fairness-first, and an adaptive variant that determines on-the-fly the right balance between bundle fairness and quality. Our experiments on three real-world datasets underscore the strengths and limitations of each solution and demonstrate their efficacy in providing fair bundle recommendations without compromising bundle quality.
• Abstract（参考訳）: 連続的なバンドルレコメンデーションのコンテキストにおける公平性に対処する。そこでは、ユーザが関連するアイテムと互換性のあるアイテムのセットを順番に提供されます。 実世界のシナリオによって動機づけられた私たちは、レコメンデーションセッションで、ユーザ間で異なるアイテムグループの露呈を希望するプロデューサ・フェアネスを形式化する。 私たちの定式化は、自然に高品質なバンドルを構築することに結びついています。 ユーザが到着すると、私たちの問題はリアルタイムで解決されます。 この問題の小さな事例に対処する正確な解決策を提案する。 次に、品質優先と公正優先の2つのヒューリスティックと、バンドルフェアネスと品質の適切なバランスをオンザフライで決定する適応的変種について検討する。 実世界の3つのデータセットに対する実験は,各ソリューションの強みと限界を明らかにし,バンドルの品質を損なうことなく,公平なバンドルレコメンデーションを提供することの有効性を実証した。

関連論文リスト

• FairSort: Learning to Fair Rank for Personalized Recommendations in Two-Sided Platforms [14.423710571021433]
  本稿では,ユーザ側フェアネス,プロバイダ側フェアネス,パーソナライズされたレコメンデーションユーティリティ間のトレードオフソリューションを見つけるためのモデルであるFairSortを提案する。 FairSortは、プロバイダとユーザの両方の公正性を考慮しながら、より信頼性の高いパーソナライズされたレコメンデーションを保証できることを示します。
  論文  参考訳（メタデータ） (2024-11-30T10:30:49Z)
• DifFaiRec: Generative Fair Recommender with Conditional Diffusion Model [22.653890395053207]
  本稿では,拡散に基づくFair Recommender (DifFaiRec) という新しい推薦アルゴリズムを提案する。 DifFaiRecは条件付き拡散モデルに基づいており、アイテムのレーティングからユーザの好みの分布を学習する強力な能力を持っている。 公正性を保証するため,保護属性に対するモデル感度を低減し,数学的説明を提供するために,対物モジュールを設計する。
  論文  参考訳（メタデータ） (2024-09-18T07:39:33Z)
• Emulating Full Participation: An Effective and Fair Client Selection Strategy for Federated Learning [50.060154488277036]
  連合学習では、クライアントの選択はモデルの性能と公平性の両方に大きな影響を及ぼす重要な問題である。 2つの指標間の固有の対立に対処し、互いに強化する2つの原則を提案する。 提案手法は,データ分布に基づいてクライアントを選択することにより,この多様性を適応的に向上させ,モデル性能と公平性の両方を改善する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• Individual Fairness under Varied Notions of Group Fairness in Bipartite Matching - One Framework to Approximate Them All [1.9963683296786414]
  本研究では,群と個体の公正性の制約を満たすプラットフォームへの項目の割り当てについて検討する。 我々の手法は、ランダムなマッチングを得るために、両方の世界の公正な解のベストを探索する。 我々は,グループフェアネスと個人フェアネストレードオフのバランスをとるために,ユーザが選択できる2つの近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-21T19:33:36Z)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Beyond Individual and Group Fairness [90.4666341812857]
  本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。 我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
  論文  参考訳（メタデータ） (2020-08-21T14:14:44Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)
• Robust Optimization for Fairness with Noisy Protected Groups [85.13255550021495]
  ノイズが保護されたグループラベルに頼った結果について検討した。 頑健な最適化を用いた2つの新しいアプローチを提案する。 頑健なアプローチは、単純アプローチよりも真のグループ公平性を保証することが示される。
  論文  参考訳（メタデータ） (2020-02-21T14:58:37Z)

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。