論文の概要: Mitigating Filter Bubble from the Perspective of Community Detection: A Universal Framework

• arxiv url: http://arxiv.org/abs/2508.11239v1
• Date: Fri, 15 Aug 2025 05:57:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.758004
• Title: Mitigating Filter Bubble from the Perspective of Community Detection: A Universal Framework
• Title（参考訳）: コミュニティ検出の観点からのフィルタバブルの緩和:ユニバーサルフレームワーク
• Authors: Ming Tang, Xiaowen Huang, Jitao Sang,
• Abstract要約: 本稿では,レコメンダシステムにおけるフィルタバブル問題に対処するためのCD-CGCNというユニバーサルフレームワークを提案する。 コミュニティ検出アルゴリズムを用いてユーザとイテムのインタラクション履歴を解析することにより,コミュニティ内項目に注目する現状のレコメンデーションが,フィルタバブル効果を悪化させることを明らかにした。
• 参考スコア（独自算出の注目度）: 19.047790323760935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, recommender systems have primarily focused on improving accuracy at the expense of diversity, which exacerbates the well-known filter bubble effect. This paper proposes a universal framework called CD-CGCN to address the filter bubble issue in recommender systems from a community detection perspective. By analyzing user-item interaction histories with a community detection algorithm, we reveal that state-of-the-art recommendations often focus on intra-community items, worsening the filter bubble effect. CD-CGCN, a model-agnostic framework, integrates a Conditional Discriminator and a Community-reweighted Graph Convolutional Network which can be plugged into most recommender models. Using adversarial learning based on community labels, it counteracts the extracted community attributes and incorporates an inference strategy tailored to the user's specific filter bubble state. Extensive experiments on real-world datasets with multiple base models validate its effectiveness in mitigating filter bubbles while preserving recommendation quality. Additionally, by applying community debiasing to the original test set to construct an unbiased test set, we observe that CD-CGCN demonstrates superior performance in capturing users' inter-community preferences.
• Abstract（参考訳）: 近年、リコメンダシステムは多様性を犠牲にして精度を向上させることに重点を置いており、これはよく知られたフィルターバブル効果をさらに高めている。 本稿では,コミュニティ検出の観点から,レコメンダシステムにおけるフィルタバブル問題に対処するためのCD-CGCNというユニバーサルフレームワークを提案する。 コミュニティ検出アルゴリズムを用いてユーザとイテムのインタラクション履歴を解析することにより,コミュニティ内項目に注目する現状のレコメンデーションが,フィルタバブル効果を悪化させることを明らかにした。 モデルに依存しないフレームワークであるCD-CGCNは、最も推奨されるモデルにプラグイン可能な、条件付き識別器とコミュニティ対応のグラフ畳み込みネットワークを統合する。 コミュニティラベルに基づく逆学習を用いて、抽出したコミュニティ属性に対処し、ユーザの特定のフィルタバブル状態に合わせて推論戦略を組み込む。 複数のベースモデルを持つ実世界のデータセットに対する大規模な実験は、推奨品質を維持しながらフィルタバブルを緩和する効果を検証した。 さらに,CD-CGCNは,コミュニティの偏りを元のテストセットに適用して,利用者のコミュニティ間嗜好を捉える上で,優れた性能を示した。

関連論文リスト

• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Unveiling Contrastive Learning's Capability of Neighborhood Aggregation for Collaborative Filtering [16.02820746003461]
  グラフコントラスト学習(GCL)は、リコメンデータシステムにおいて、徐々に支配的なアプローチになりつつある。 本稿では,CL目標の勾配降下過程がグラフ畳み込みと正式に等価であることを明らかにする。 そこで本稿では,ユーザを他のポジティブなペアから遠ざけながら,対話するすべてのアイテムに近づけるための,新しいエリアアグリゲーションの目標を提案する。
  論文  参考訳（メタデータ） (2025-04-14T11:22:41Z)
• Hypergraph Diffusion for High-Order Recommender Systems [5.71357784811215]
  本稿では,ウェーブレット強化ハイパーグラフ拡散フレームワークであるWaveHDNNを紹介する。 WaveHDNNは、さまざまなカテゴリにわたるユーザとイテムのインタラクションをキャプチャするために設計された、ヘテロフィア対応のコラボレーティブと、マルチスケールなグループワイド構造を統合している。 クロスビューのコントラスト学習は、堅牢で一貫した表現を維持するために使用される。
  論文  参考訳（メタデータ） (2025-01-28T05:59:29Z)
• Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。 短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。 長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• BHEISR: Nudging from Bias to Balance -- Promoting Belief Harmony by Eliminating Ideological Segregation in Knowledge-based Recommendations [5.795636579831129]
  主な目的は,フィルタバブルによる有害な影響を最小限に抑えつつ,ユーザの信念バランスを打つことである。 BHEISRモデルは、民主的かつ透明な原則を支持しながら、ナッジ理論から原則を取り入れている。
  論文  参考訳（メタデータ） (2023-07-06T06:12:37Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。