論文の概要: Democratizing News Recommenders: Modeling Multiple Perspectives for News Candidate Generation with VQ-VAE
- arxiv url: http://arxiv.org/abs/2508.13978v1
- Date: Tue, 19 Aug 2025 16:13:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:32.009779
- Title: Democratizing News Recommenders: Modeling Multiple Perspectives for News Candidate Generation with VQ-VAE
- Title（参考訳）: ニュースレコメンダの民主化:VQ-VAEを用いたニュース候補生成のための複数の視点のモデル化
- Authors: Hardy, Sebastian Padó, Amelie Wührl, Tanise Ceron,
- Abstract要約: 過去のクリックに基づく現在のNews Recommender Systemsはエンゲージメントのために設計されているが、推奨コンテンツの多様性を制限するコストがかかる。
第一に、彼らは幅広い視点に公平にアクセスする必要がある規範的な多様性を説明できない。
第2に、多くのコンテンツがフィルタリングされた後、一般的にシステムのパイプラインの後半に多様性を適用します。
- 参考スコア（独自算出の注目度）: 8.175411535377885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current News Recommender Systems based on past clicks are designed for engagement, but come at the cost of limiting diversity in the suggested content. While diversity-aware algorithms exist, they suffer from two major limitations. First, they fail to account for normative diversity, which requires fair access to a broad range of perspectives. Second, they typically apply diversity late in the system's pipeline, after a lot of content has already been filtered out. Both limitations confine their effectiveness and prevent them from promoting true normative diversity in news recommendations. We propose Aspect-Aware Candidate Generation (A2CG) to address these limitations. Our framework introduces diversity into the earliest pipeline stage and uses a configurable mechanism to align diversity with specific democratic goals. A2CG represents each news article using multiple aspects of perspectives (e.g., sentiment, political leaning, frame) and uses a Vector Quantized Variational Autoencoder (VQ-VAE) to create a discrete, multi-faceted representation. A decoder-only model then learns user preferences over these aspect codes. We then inject diversity directly by reversing the sign on some of the query vector's aspects during the candidate retrieval process, ensuring a more diverse set of candidates. Our method, evaluated on the MIND dataset, enables a flexible trade-off between personalization and diversity early in the recommendation pipeline. It also generates more novel, diverse, and serendipitous candidates while effectively taking into account aspects that strengthen democratic values. These empirical results make it a promising approach for downstream democratized news recommendation systems.
- Abstract（参考訳）: 過去のクリックに基づく現在のNews Recommender Systemsはエンゲージメントのために設計されているが、推奨コンテンツの多様性を制限するコストがかかる。
多様性を意識したアルゴリズムは存在するが、それらは2つの大きな制限に悩まされている。
第一に、彼らは幅広い視点に公平にアクセスする必要がある規範的な多様性を説明できない。
第2に、多くのコンテンツがフィルタリングされた後、一般的にシステムのパイプラインの後半に多様性を適用します。
どちらの制限も効果を制限し、ニュースレコメンデーションにおける真の規範的多様性を促進するのを防ぐ。
本稿では,これらの制約に対処するAspect-Aware Candidate Generation (A2CG)を提案する。
当社のフレームワークは,最初期のパイプラインステージに多様性を導入し,多様性を特定の民主的目標と整合させる構成可能なメカニズムを使用している。
A2CGは、複数の視点(例えば、感情、政治的傾き、フレーム)を用いて各ニュース記事を表現し、Vector Quantized Variational Autoencoder (VQ-VAE) を使用して、離散的で多面的な表現を作成する。
デコーダのみのモデルでは、これらのアスペクトコードに対してユーザの好みを学習する。
次に、候補検索プロセス中にクエリベクトルのいくつかの側面の符号を逆転させることで、ダイバーシティを直接注入し、より多様な候補を確実にする。
MINDデータセットで評価した本手法は,推薦パイプラインの初期におけるパーソナライゼーションと多様性の柔軟なトレードオフを可能にする。
また、民主的価値観を強化する側面を効果的に考慮しつつ、より斬新で多様でセレンディピティーな候補者を生み出す。
これらの実証的な結果は、下流の民主化されたニュースレコメンデーションシステムにとって有望なアプローチとなる。
関連論文リスト
- Counterfactual Multi-player Bandits for Explainable Recommendation Diversification [7.948416784331374]
我々は、説明可能な推薦の多様化を実現するために、textbfCounterfactual textbfMulti-player textbfBandits (CMB)法を提案する。
論文 参考訳（メタデータ） (2025-05-27T13:21:39Z) - GRADE: Quantifying Sample Diversity in Text-to-Image Models [66.12068246962762]
GRADEはテキスト・画像モデルにおけるサンプルの多様性を定量化する手法である。
GRADEを用いて、合計720K画像上の12種類のモデルの多様性を測定する。
論文 参考訳（メタデータ） (2024-10-29T23:10:28Z) - Multimodal Pretraining and Generation for Recommendation: A Tutorial [54.07497722719509]
チュートリアルは、マルチモーダル事前学習、マルチモーダル生成、産業アプリケーションという3つの部分で構成されている。
マルチモーダル・レコメンデーションの迅速な理解を促進することを目的としており、この進化する景観の今後の発展について有意義な議論を促進することを目的としている。
論文 参考訳（メタデータ） (2024-05-11T06:15:22Z) - Diversify Question Generation with Retrieval-Augmented Style Transfer [68.00794669873196]
本稿では,検索型スタイル転送のためのフレームワーク RAST を提案する。
本研究の目的は,多様なテンプレートのスタイルを質問生成に活用することである。
多様性報酬と一貫性報酬の重み付けを最大化する新しい強化学習(RL)ベースのアプローチを開発する。
論文 参考訳（メタデータ） (2023-10-23T02:27:31Z) - Graph Exploration Matters: Improving both individual-level and
system-level diversity in WeChat Feed Recommender [21.0013026365164]
個人レベルの多様性とシステムレベルの多様性はどちらも産業レコメンデーターシステムにとって重要である。
WeChat AppのTop Storiesで、数億人のユーザが使用するシステムの実装とデプロイを行います。
論文 参考訳（メタデータ） (2023-05-29T19:25:32Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳（メタデータ） (2023-05-18T15:37:38Z) - A Unified Algorithm Framework for Unsupervised Discovery of Skills based
on Determinantal Point Process [53.86223883060367]
教師なしオプション発見における多様性とカバレッジは、実際には同じ数学的枠組みの下で統一可能であることを示す。
提案アルゴリズムであるODPPは,MujocoとAtariで作成した課題に対して,広範囲に評価されている。
論文 参考訳（メタデータ） (2022-12-01T01:40:03Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-30T08:02:18Z) - CODER: Coupled Diversity-Sensitive Momentum Contrastive Learning for
Image-Text Retrieval [108.48540976175457]
クロスモーダル表現を改善するために,共用ダイバーシティ・センシティブ・モーメント・コンストラシティブ・ラーニング(CODER)を提案する。
両モードの動的辞書を導入し、画像テキストペアのスケールを拡大し、適応的な負のペア重み付けにより多様性に敏感性を実現する。
MSCOCOとFlicker30Kという2つの人気のあるベンチマークで実施された実験は、CODERが最先端のアプローチを著しく上回っていることを証明している。
論文 参考訳（メタデータ） (2022-08-21T08:37:50Z) - Operationalizing Framing to Support Multiperspective Recommendations of
Opinion Pieces [1.3286165491120467]
コミュニケーション科学から取り入れたフレーミングの概念を運用する。
この概念をトピック関連推奨リストの再ランク付けに適用する。
オフライン評価の結果,提案手法はレコメンデーションリストの視点の多様性を高めることができることが示された。
論文 参考訳（メタデータ） (2021-01-15T14:40:34Z)
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。