論文の概要: Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations

• arxiv url: http://arxiv.org/abs/2507.03503v1
• Date: Fri, 04 Jul 2025 11:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.755215
• Title: Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations
• Title（参考訳）: POI勧告におけるコンテクスト認識と人気度校正が人気バイアスに及ぼす影響の探索
• Authors: Andrea Forster, Simone Kopeinik, Denic Helic, Stefan Thalmann, Dominik Kowald,
• Abstract要約: POI(Point-of-interest)レコメンデーターシステムは、ユーザが関連する場所を見つけるのに役立つが、その効果は人気バイアスによってしばしば損なわれる。 本稿では、文脈認識モデルの有効性を評価し、人気バイアスを緩和するための戦略として人気手法を校正する。
• 参考スコア（独自算出の注目度）: 1.389360509566256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point-of-interest (POI) recommender systems help users discover relevant locations, but their effectiveness is often compromised by popularity bias, which disadvantages less popular, yet potentially meaningful places. This paper addresses this challenge by evaluating the effectiveness of context-aware models and calibrated popularity techniques as strategies for mitigating popularity bias. Using four real-world POI datasets (Brightkite, Foursquare, Gowalla, and Yelp), we analyze the individual and combined effects of these approaches on recommendation accuracy and popularity bias. Our results reveal that context-aware models cannot be considered a uniform solution, as the models studied exhibit divergent impacts on accuracy and bias. In contrast, calibration techniques can effectively align recommendation popularity with user preferences, provided there is a careful balance between accuracy and bias mitigation. Notably, the combination of calibration and context-awareness yields recommendations that balance accuracy and close alignment with the users' popularity profiles, i.e., popularity calibration.
• Abstract（参考訳）: POI(Point-of-interest)推奨システムは、ユーザが関連する場所を見つけるのに役立つが、その効果はしばしば人気バイアスによって損なわれる。 本稿では、文脈認識モデルの有効性を評価し、人気バイアスを緩和するための戦略として人気手法を校正する。 4つの現実世界のPOIデータセット(Brightkite、Foursquare、Gowalla、Yelp)を使用して、推奨精度と人気バイアスに対するこれらのアプローチの個人的および組み合わせの効果を分析する。 本研究の結果から,文脈認識モデルは一様解とはみなせないことが明らかとなった。 これとは対照的に、キャリブレーション手法は、精度とバイアス軽減のバランスを慎重にとれば、推奨人気とユーザの好みを効果的に一致させることができる。 特に、キャリブレーションとコンテキスト認識の組み合わせは、ユーザの人気プロファイル、すなわち人気キャリブレーションとのバランスの正確さと密接な調整を推奨する。

関連論文リスト

• Taming Recommendation Bias with Causal Intervention on Evolving Personal Popularity [21.645389873171908]
  人気度バイアスは、人気のあるアイテムがより頻繁に推奨されるときに発生する。 既存のデバイアス手法は、人気バイアスを全ユーザーに対して均一に緩和する。 本稿では,推薦バイアスに対処するためのCausalEPP(Causal Intervention on Evolving Personal Popularity)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-20T12:59:16Z)
• 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)
• GPTBIAS: A Comprehensive Framework for Evaluating Bias in Large Language Models [83.30078426829627]
  大規模言語モデル(LLM)は人気を集め、大規模なユーザコミュニティで広く採用されている。 既存の評価手法には多くの制約があり、それらの結果は限定的な解釈可能性を示している。 本稿では,LPMの高性能性を活用し,モデル内のバイアスを評価するGPTBIASというバイアス評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-11T12:02:14Z)
• Ranking with Popularity Bias: User Welfare under Self-Amplification Dynamics [19.59766711993837]
  本稿では,アイテムの人気度,商品品質,位置バイアスがユーザの選択に影響を与える一般的なメカニズムを提案し,理論的に分析する。 人気度の高い推薦者は,商品の品質と人気を混同することで,線形後悔を誘発することを示す。
  論文  参考訳（メタデータ） (2023-05-24T22:38:19Z)
• Off-policy evaluation for learning-to-rank via interpolating the item-position model and the position-based model [83.83064559894989]
  産業レコメンデーションシステムにとって重要なニーズは、製品にデプロイする前に、レコメンデーションポリシーをオフラインで評価する機能である。 我々は、最も人気のある2つの非政治推定器の問題を緩和する新しい推定器を開発する。 特に、InterPOLと呼ばれる新しい推定器は、潜在的に不特定位置ベースモデルのバイアスに対処する。
  論文  参考訳（メタデータ） (2022-10-15T17:22:30Z)
• Reconciling the Quality vs Popularity Dichotomy in Online Cultural Markets [62.146882023375746]
  本研究では,現在普及している商品に偏りがある可能性のあるランキングアルゴリズムにより,品質基準を隠蔽した$N$アイテムをユーザに推奨する,理想化されたオンライン文化市場のモデルを提案する。 我々のゴールは、人気バイアスが高品質アイテムが低品質アイテムよりも人気になるのを防ぎ、品質と人気ランキングの間に望ましくないミスアライメントをもたらすという、よく知られた事実の根底にあるメカニズムをよりよく理解することである。
  論文  参考訳（メタデータ） (2022-04-28T14:36:11Z)
• 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)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
  推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。 本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。 ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-10T22:12:51Z)

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。