論文の概要: Identifying and Upweighting Power-Niche Users to Mitigate Popularity Bias in Recommendations

• arxiv url: http://arxiv.org/abs/2509.17265v1
• Date: Sun, 21 Sep 2025 22:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 14:42:22.076399
• Title: Identifying and Upweighting Power-Niche Users to Mitigate Popularity Bias in Recommendations
• Title（参考訳）: ハイウェイト化とパワーニッシュ化によるリコメンデーションにおける人気バイアス軽減
• Authors: David Liu, Erik Weis, Moritz Laber, Tina Eliassi-Rad, Brennan Klein,
• Abstract要約: ベンチマークレコメンデーションデータセットにおけるニッチアイテムとのインタラクションについて検討する。 主流のユーザに比べて、ニッチなユーザは、より長い範囲のアクティビティレベルの分布を示すことに気付きました。 本稿では,ベイズ個人格付け(BPR)の損失を,ユーザ活動レベルとアイテム人気に基づいて同時に軽減する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 1.4513864254603666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems have been shown to exhibit popularity bias by over-recommending popular items and under-recommending relevant niche items. We seek to understand interactions with niche items in benchmark recommendation datasets as a step toward mitigating popularity bias. We find that, compared to mainstream users, niche-preferring users exhibit a longer-tailed activity-level distribution, indicating the existence of users who both prefer niche items and exhibit high activity levels. We partition users along two axes: (1) activity level ("power" vs. "light") and (2) item-popularity preference ("mainstream" vs. "niche"), and show that in several benchmark datasets, the number of power-niche users (high activity and niche preference) is statistically significantly larger than expected under a null configuration model. Motivated by this observation, we propose a framework for reweighting the Bayesian Personalized Ranking (BPR) loss that simultaneously reweights based on user activity level and item popularity. Our method introduces two interpretable parameters: one controlling the significance of user activity level, and the other of item popularity. Experiments on benchmark datasets show that upweighting power-niche users reduces popularity bias and can increase overall performance. In contrast to previous work that only considers user activity level or item popularity in isolation, our results suggest that considering their interaction leads to Pareto-dominant performance.
• Abstract（参考訳）: レコメンダーシステムは、人気アイテムを過度に推奨し、関連するニッチアイテムを過度に推奨することで、人気バイアスを示すことが示されている。 我々は、人気バイアスを軽減するためのステップとして、ベンチマークレコメンデーションデータセットにおけるニッチアイテムとのインタラクションを理解することを目指している。 主流のユーザと比較して、ニッチを優先するユーザは、より長い範囲のアクティビティレベルの分布を示し、ニッチなアイテムを好み、高いアクティビティレベルを示すユーザの存在を示します。 1)アクティビティレベル("power" vs. "light")と(2)アイテム人気度("mainstream" vs. "niche")の2つの軸に沿ってユーザを分割し、いくつかのベンチマークデータセットにおいて、Null設定モデルで期待されるよりも統計的に大きなパワーニッシュユーザ数(高いアクティビティとニッチな好み)が示される。 本研究の目的は,ベイズパーソナライズランキング(BPR)の損失を,ユーザ活動レベルとアイテム人気に基づいて同時に軽減する枠組みを提案することである。 本手法では,ユーザアクティビティの重要度を制御しているパラメータと,アイテムの人気度を制御しているパラメータを2つ導入する。 ベンチマークデータセットの実験では、アップウェイトなパワーニッチユーザが人気バイアスを減らし、全体的なパフォーマンスが向上することが示された。 ユーザ活動レベルやアイテムの人気を個別に考慮した以前の研究とは対照的に,インタラクションを考慮すればパレートが優位なパフォーマンスにつながることが示唆された。

関連論文リスト

• PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems [1.0128808054306186]
  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。
  論文  参考訳（メタデータ） (2025-07-25T08:29:32Z)
• Taming Recommendation Bias with Causal Intervention on Evolving Personal Popularity [21.645389873171908]
  人気度バイアスは、人気のあるアイテムがより頻繁に推奨されるときに発生する。 既存のデバイアス手法は、人気バイアスを全ユーザーに対して均一に緩和する。 本稿では,推薦バイアスに対処するためのCausalEPP(Causal Intervention on Evolving Personal Popularity)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-20T12:59:16Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• 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)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• The Unfairness of Popularity Bias in Book Recommendation [0.0]
  人気度バイアスとは、人気アイテムが頻繁に推奨されるのに対して、人気アイテムがほとんどあるいはまったく推奨されないという問題を指す。 本稿では,有名な書籍分類データセットを分析し,人気商品に対する傾向に基づいて3つのユーザグループを定義した。 以上の結果から,ほとんどの最先端の推薦アルゴリズムは本分野における人気バイアスに悩まされていることが示唆された。
  論文  参考訳（メタデータ） (2022-02-27T20:21:46Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
  推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。 本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。 ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-10T22:12:51Z)

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。