論文の概要: Counterfactual Reciprocal Recommender Systems for User-to-User Matching

• arxiv url: http://arxiv.org/abs/2508.01867v1
• Date: Sun, 03 Aug 2025 17:45:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.097856
• Title: Counterfactual Reciprocal Recommender Systems for User-to-User Matching
• Title（参考訳）: ユーザ間マッチングのための対実的相互レコメンダシステム
• Authors: Kazuki Kawamura, Takuma Udagawa, Kei Tateno,
• Abstract要約: 本稿では,このバイアスを軽減するための因果的枠組みであるCFRRを紹介する。 実験の結果、CFRRはNDCG@10を最大3.5%改善し、ロングテールのユーザカバレッジを最大51%向上し、Giniの露出不平等を最大24%削減した。
• 参考スコア（独自算出の注目度）: 4.110108749051655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reciprocal recommender systems (RRS) in dating, gaming, and talent platforms require mutual acceptance for a match. Logged data, however, over-represents popular profiles due to past exposure policies, creating feedback loops that skew learning and fairness. We introduce Counterfactual Reciprocal Recommender Systems (CFRR), a causal framework to mitigate this bias. CFRR uses inverse propensity scored, self-normalized objectives. Experiments show CFRR improves NDCG@10 by up to 3.5% (e.g., from 0.459 to 0.475 on DBLP, from 0.299 to 0.307 on Synthetic), increases long-tail user coverage by up to 51% (from 0.504 to 0.763 on Synthetic), and reduces Gini exposure inequality by up to 24% (from 0.708 to 0.535 on Synthetic). CFRR offers a promising approach for more accurate and fair user-to-user matching.
• Abstract（参考訳）: デート、ゲーム、タレントプラットフォームにおける相互レコメンデーションシステム(RRS)は、マッチを相互に受け入れる必要がある。 しかし、ログされたデータは、過去の露出ポリシーによって人気のプロファイルを過剰に表現し、学習と公正性を損なうフィードバックループを生成する。 本稿では,このバイアスを軽減するための因果的枠組みであるCFRRを紹介する。 CFRRは、自己正規化対象の逆正則性を用いる。 実験の結果、CFRRはNDCG@10を最大3.5%改善し(例えばDBLPでは0.459から0.475、Syntheticでは0.299から0.307まで)、ロングテールのユーザカバレッジを最大51%向上(Syntheticでは0.504から0.763まで)、Giniの露出不平等を最大24%改善(Syntheticでは0.708から0.535まで)。 CFRRは、より正確で公正なユーザ間マッチングに有望なアプローチを提供する。

関連論文リスト

• Leave No One Behind: Fairness-Aware Cross-Domain Recommender Systems for Non-Overlapping Users [13.420661387194148]
  クロスドメインレコメンデーション(CDR)メソッドは、重複するユーザを利用して、ソースドメインからターゲットドメインに知識を転送する。 本稿では,重複しないターゲットドメインユーザに対して,仮想ソースドメインユーザを生成する新しいソリューションを提案する。 本手法は,CDR非重複ユーザのバイアスを,全体的な精度を損なうことなく効果的に軽減する。
  論文  参考訳（メタデータ） (2025-07-23T17:59:08Z)
• A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
  遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。 本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T14:09:39Z)
• Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences [12.249992789091415]
  我々は、Contrasting user pReference expAnsion and Learning (CORAL)と呼ばれる対話型推薦モデルを提案する。 コーラルは、ユーザの隠れた好みを、コントラストの好み拡張によって抽出する。 対照的な選好を明確に区別し、選好認識学習を通じてレコメンデーションプロセスに活用する。
  論文  参考訳（メタデータ） (2025-03-27T21:45:49Z)
• RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
  本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。 RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。 BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
  論文  参考訳（メタデータ） (2024-01-28T11:51:09Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• 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)
• Debiasing Neural Retrieval via In-batch Balancing Regularization [25.941718123899356]
  我々は,nPRF上でのT-統計を有効活用し,公平性を向上させるために,識別可能なテキストトナー付きペアワイドランキングフェアネス(nPRF)を開発した。 nPRF を用いた手法は,ベースラインに比べてランク付け性能の低下が最小限に抑えられ,バイアスが大幅に低減される。
  論文  参考訳（メタデータ） (2022-05-18T22:57:15Z)
• 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)
• Balancing Accuracy and Fairness for Interactive Recommendation with Reinforcement Learning [68.25805655688876]
  推薦者の公正さは、おそらく伝統的な推薦者によって引き起こされる偏見と差別によって、注目を集めている。 IRSにおける精度と公平性の長期的バランスを動的に維持するための強化学習ベースのフレームワークであるFairRecを提案する。 大規模な実験は、FairRecが優れたレコメンデーション品質を維持しながら、公正性を改善することを実証する。
  論文  参考訳（メタデータ） (2021-06-25T02:02:51Z)

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。