論文の概要: A Non-Parametric Choice Model That Learns How Users Choose Between Recommended Options
- arxiv url: http://arxiv.org/abs/2507.20035v1
- Date: Sat, 26 Jul 2025 18:38:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:56.761813
- Title: A Non-Parametric Choice Model That Learns How Users Choose Between Recommended Options
- Title（参考訳）: 推奨オプション間の選択方法を学ぶ非パラメトリック選択モデル
- Authors: Thorsten Krause, Harrie Oosterhuis,
- Abstract要約: 推奨設定では、選択モデルは、選択したアイテムでどの競争相手が現れるかを考える。
これらの仮定が実際のユーザの振る舞いをどの程度正確に捉えているかは、現時点では不明である。
学習選択モデルを仮定するのではなく,より堅牢な予測が可能であることを示す。
- 参考スコア（独自算出の注目度）: 15.763596979466929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Choice models predict which items users choose from presented options. In recommendation settings, they can infer user preferences while countering exposure bias. In contrast with traditional univariate recommendation models, choice models consider which competitors appeared with the chosen item. This ability allows them to distinguish whether a user chose an item due to preference, i.e., they liked it; or competition, i.e., it was the best available option. Each choice model assumes specific user behavior, e.g., the multinomial logit model. However, it is currently unclear how accurately these assumptions capture actual user behavior, how wrong assumptions impact inference, and whether better models exist. In this work, we propose the learned choice model for recommendation (LCM4Rec), a non-parametric method for estimating the choice model. By applying kernel density estimation, LCM4Rec infers the most likely error distribution that describes the effect of inter-item cannibalization and thereby characterizes the users' choice model. Thus, it simultaneously infers what users prefer and how they make choices. Our experimental results indicate that our method (i) can accurately recover the choice model underlying a dataset; (ii) provides robust user preference inference, in contrast with existing choice models that are only effective when their assumptions match user behavior; and (iii) is more resistant against exposure bias than existing choice models. Thereby, we show that learning choice models, instead of assuming them, can produce more robust predictions. We believe this work provides an important step towards better understanding users' choice behavior.
- Abstract（参考訳）: 選択モデルは、ユーザが提示されたオプションから選ぶアイテムを予測します。
推奨設定では、露出バイアスに対処しながらユーザの好みを推測することができる。
従来の単色のレコメンデーションモデルとは対照的に、選択モデルは、選択されたアイテムでどの競争相手が現れるかを考える。
この能力により、ユーザーが好みのためにアイテムを選択したかどうか、すなわち好んだか、競争相手、すなわち最良の選択肢を区別することができる。
各選択モデルは、例えば、マルチノードロジットモデルなど、特定のユーザの振舞いを前提とします。
しかしながら、これらの仮定が実際のユーザの振る舞いをどの程度正確に捉えているか、どのように間違った仮定が推論に影響を及ぼすか、より良いモデルが存在するかどうか、現時点では不明である。
本研究では,選択モデルを推定する非パラメトリック手法LCM4Recを提案する。
カーネル密度推定を適用することで、LCM4Recは、中間体共食いの影響を記述した最も可能性の高いエラー分布を推定し、それによってユーザの選択モデルを特徴づける。
これにより、ユーザーが何を好み、どのように選択するかを同時に推測する。
実験結果から,本手法が有用であることが示唆された。
i) データセットの基盤となる選択モデルを正確に復元することができる。
(ii) 仮説がユーザの行動と一致した場合にのみ有効である既存の選択モデルとは対照的に、堅牢なユーザ嗜好推論を提供する。
(iii) 既存の選択モデルよりも露光バイアスに耐性がある。
これにより、学習選択モデルを仮定する代わりに、より堅牢な予測が得られることを示す。
この作業は、ユーザの選択行動をよりよく理解するための重要なステップになると考えています。
関連論文リスト
- Personalized Preference Fine-tuning of Diffusion Models [75.22218338096316]
拡散モデルとパーソナライズされた嗜好を整合させるマルチリワード最適化の目的であるPDを導入する。
PPDでは、拡散モデルがユーザーの個人の好みを数秒で学習する。
提案手法は,Stable Cascadeに対して平均76%の勝利率を達成し,特定のユーザの好みをより正確に反映した画像を生成する。
論文 参考訳（メタデータ） (2025-01-11T22:38:41Z) - Beyond the Binary: Capturing Diverse Preferences With Reward Regularization [15.518838657050173]
この二項選択への依存は、現実のタスクにおいて対象ユーザのより広範囲で集約的な嗜好を捉えるものではない、と我々は主張する。
本稿では、既存の二分選好データセットを合成選好判断で拡張し、潜在的なユーザ不一致を推定する、シンプルで効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-12-05T02:35:46Z) - ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳（メタデータ） (2024-10-21T14:02:40Z) - Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。
この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。
そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T17:44:56Z) - Probe: Learning Users' Personalized Projection Bias in Intertemporal
Choices [5.874142059884521]
本研究では、投射バイアスと基準点効果の2つのよく観察されるバイアスに焦点を当てる。
これらのバイアスに対処するために, Probe と呼ばれる新しいバイアス埋め込み選好モデルを提案する。
Probeには、ユーザの予測バイアスをキャプチャする重み関数と、参照ポイント効果を考慮に入れた値関数が組み込まれている。
論文 参考訳（メタデータ） (2023-03-09T12:13:46Z) - Learning Choice Functions with Gaussian Processes [0.225596179391365]
消費者理論において、利用可能なオブジェクトを選好関係でランク付けすると、個々の選択の最も一般的な記述が得られる。
本稿では,個人が設定値の選択を表現できる選択モデルを提案する。
論文 参考訳（メタデータ） (2023-02-01T12:46:43Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - On the safe use of prior densities for Bayesian model selection [0.0]
モデル選択における限界確率の事前感度の問題と,その役割について論じる。
また、実際には非常に一般的な選択である非形式的事前の使用についてもコメントします。
そのうちの1つは、太陽系外惑星検出における現実世界の応用である。
論文 参考訳（メタデータ） (2022-06-10T16:17:48Z) - On the estimation of discrete choice models to capture irrational
customer behaviors [4.683806391173103]
我々は、部分的にランク付けされた好みを使って、トランザクションデータから合理的で不合理な顧客タイプを効率的にモデル化する方法を示す。
提案手法の予測精度を評価する実験を幅広く行った。
論文 参考訳（メタデータ） (2021-09-08T19:19:51Z) - 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) - Choice Set Confounding in Discrete Choice [29.25891648918572]
既存の学習方法は、選択セットの割り当てがデータにどう影響するかを見落とします。
我々は因果推論から個別選択設定にメソッドを適応させる。
ホテル予約における選択集合の整理は,合理的な有効性最大化とより一致していることを示す。
論文 参考訳（メタデータ） (2021-05-17T15:39:02Z)
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。