論文の概要: PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems
- arxiv url: http://arxiv.org/abs/2507.19067v1
- Date: Fri, 25 Jul 2025 08:29:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:48.884775
- Title: PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems
- Title(参考訳): PBiLoss: グラフベースのレコメンダシステムにおける公正性向上のための人気度対応正規化
- Authors: Mohammad Naeimi, Mostafa Haghir Chehreghani,
- Abstract要約: PBiLossは、グラフベースのレコメンデータモデルにおいて、人気バイアスを明示的に防止するために設計された正規化に基づく損失関数である。
PBiLoss は,PRU (Popularity-Rank correlation for Users) とPRI (Popularity-Rank correlation for Items) の削減によって,公正性を著しく向上させることを示した。
- 参考スコア(独自算出の注目度): 1.0128808054306186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems, especially those based on graph neural networks (GNNs), have achieved remarkable success in capturing user-item interaction patterns. However, they remain susceptible to popularity bias--the tendency to over-recommend popular items--resulting in reduced content diversity and compromised fairness. In this paper, we propose PBiLoss, a novel regularization-based loss function designed to counteract popularity bias in graph-based recommender models explicitly. PBiLoss augments traditional training objectives by penalizing the model's inclination toward popular items, thereby encouraging the recommendation of less popular but potentially more personalized content. We introduce two sampling strategies: Popular Positive (PopPos) and Popular Negative (PopNeg), which respectively modulate the contribution of the positive and negative popular items during training. We further explore two methods to distinguish popular items: one based on a fixed popularity threshold and another without any threshold, making the approach flexible and adaptive. Our proposed method is model-agnostic and can be seamlessly integrated into state-of-the-art graph-based frameworks such as LightGCN and its variants. Comprehensive experiments across multiple real-world datasets demonstrate that PBiLoss significantly improves fairness, as demonstrated by reductions in the Popularity-Rank Correlation for Users (PRU) and Popularity-Rank Correlation for Items (PRI), while maintaining or even enhancing standard recommendation accuracy and ranking metrics. These results highlight the effectiveness of directly embedding fairness objectives into the optimization process, providing a practical and scalable solution for balancing accuracy and equitable content exposure in modern recommender systems.
- Abstract(参考訳): レコメンダシステム、特にグラフニューラルネットワーク(GNN)に基づくシステムは、ユーザとイテムのインタラクションパターンをキャプチャすることに成功した。
しかし、人気偏見、人気アイテムを過度に推奨する傾向、コンテンツの多様性の低下と公平性を損なう傾向などの影響を受けやすいままである。
本稿では、グラフベースのレコメンデータモデルにおいて、人気バイアスを明示的に防止する新しい正規化に基づく損失関数であるPBiLossを提案する。
PBiLossは、一般的なアイテムに対するモデルの傾きをペナルティ化し、あまり人気がないがよりパーソナライズされたコンテンツの推奨を促進することによって、伝統的なトレーニング目標を拡大する。
本稿では,PopPos(PopPos)とPopNeg(PopNeg)の2つのサンプリング戦略を紹介する。
さらに、人気アイテムを識別する2つの方法を探る。一つは一定の人気閾値に基づいており、もう一つは閾値のないもので、アプローチを柔軟かつ適応的にする。
提案手法はモデルに依存しず,LightGCNなどの最先端のグラフベースのフレームワークにシームレスに統合できる。
複数の実世界のデータセットにわたる総合的な実験により、PBiLossは、標準推奨精度とランキングメトリクスを維持または強化しつつ、PRU(Popularity-Rank correlation for Users)とPRI(Popularity-Rank correlation for Items)の削減によって実証されたように、フェアネスを著しく向上することが示された。
これらの結果は、最適化プロセスに公正性目標を直接埋め込むことの有効性を強調し、現代のレコメンデータシステムにおいて、正確性と公平なコンテンツ露出のバランスをとるための実用的でスケーラブルなソリューションを提供する。
関連論文リスト
- Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations [1.389360509566256]
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。
論文 参考訳(メタデータ) (2025-07-04T11:56:11Z) - Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure [8.3095709445007]
本稿では、アイテムの露出確率を明示的にモデル化し、推論時に検索ステージランキングを調整する、露出認識型検索スコアリング手法を提案する。
実世界のビデオレコメンデーションシステムにおけるオンラインA/B実験によるアプローチの有効性を検証し、一意に検索されたアイテムの25%増加と、過度な人気コンテンツの優位性の40%低下を実証した。
本研究は,検索段階で人気バイアスを緩和するためのスケーラブルでデプロイ可能なソリューションを構築し,バイアス認識のパーソナライゼーションのための新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2025-03-31T00:04:01Z) - Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。
PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。
これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文 参考訳(メタデータ) (2024-10-17T01:02:04Z) - Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-09T04:20:15Z) - Correcting 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) - 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) - Learning Fair Ranking Policies via Differentiable Optimization of
Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。
特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文 参考訳(メタデータ) (2024-02-07T20:53:53Z) - 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)
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。